VARSHAP：基于方差的局部特征归因方法用于解决可解释人工智能中的全局依赖问题
机器学习
2025-06-10 v1
摘要
现有的特征归因方法（如 SHAP）常受全局依赖影响，难以捕捉真实的局部模型行为。本文提出一种新型模型无关的局部特征归因方法 VARSHAP，其核心重要性度量指标为预测方差的减少。VARSHAP 基于 Shapley 值框架，满足关键的 Shapley 公理，但与 SHAP 不同的是，它对全局数据分布的变化具有较强鲁棒性。在合成数据集和真实数据集上的实验表明，VARSHAP 在定量和定性方面均优于 KernelSHAP 或 LIME 等流行方法。
引用
@article{arxiv.2506.07229,
title = {VARSHAP: Addressing Global Dependency Problems in Explainable AI with Variance-Based Local Feature Attribution},
author = {Mateusz Gajewski and Mikołaj Morzy and Adam Karczmarz and Piotr Sankowski},
journal= {arXiv preprint arXiv:2506.07229},
year = {2025}
}