机构名称：
¥ 1.0
摘要 - 在这项工作中，我们检查了不对称的沙普利谷（ASV），这是流行的Shap添加剂局部解释方法的变体。ASV提出了一种改善模型解释的方法，该解释结合了变量之间已知的因果关系，并且也被视为测试模型预测中不公平歧视的一种方法。在以前的文献中未探索，沙普利值中的放松对称性可能会对模型解释产生反直觉的后果。为了更好地理解该方法，我们首先展示了局部贡献如何与降低方差的全局贡献相对应。使用方差，我们演示了多种情况，其中ASV产生了违反直觉归因，可以说为根本原因分析产生错误的结果。第二，我们将广义添加剂模型（GAM）识别为ASV表现出理想属性的限制类。我们通过证明有关该方法的多个理论结果来支持我们的学位。最后，我们证明了在多个现实世界数据集上使用不对称归因，并使用有限的模型家族进行了使用梯度增强和深度学习模型的结果进行比较。索引术语 - 解释性，摇摆，因果关系
根本原因分析的不对称沙普利值的理论评估
主要关键词
相关文件推荐
