ShuttleSHAP：一种用于分析羽毛球预测模型的回合制特征归因方法

智能体预测系统已被探索用于研究各种领域的智能体模式并改善决策，例如行人预测和营销竞价。羽毛球是一个引人入胜的多面回合制运动示例，需要复杂的战术发展和依赖于交替的决策。最近用于羽毛球球员战术预测的深度学习方法显示出有前景的性能，部分归功于对回合-球员交互的有效推理。然而，一个关键障碍在于尚不清楚黑盒模型学习了哪些特征来模拟球员的行为，而现有的解释器不具备回合制和多输出归因的能力。为了弥合这一差距，我们提出了一种基于 Shapley 值变体的回合制特征归因方法 ShuttleSHAP，用于分析羽毛球中的预测模型。ShuttleSHAP 是一个模型无关的解释器，旨在不仅从时间方面，而且从球员方面量化多面线索的贡献。将所提出的分析工具纳入基准数据集上的最先进回合制预测模型表明，推理过去的击球实际上是微不足道的，而传统的序列模型具有更大的影响。相反，球员的风格影响了模型对回合未来模拟。在此基础上，我们调查并讨论了这些发现的因果分析，并通过局部分析展示了其实用性。