Ensemble von zeitlicher Gewichtung, kausaler Inferenz und hierarchischer Zuordnung zur SHAP-Optimierung

Zusammenfassung

Dieser Artikel zielt darauf ab, die Auswirkungen von zeitlicher Gewichtung, kausaler Inferenz und hierarchischer Attribution auf die Optimierung der Interpretierbarkeit zu bewerten.

Zusammenfassung

In den letzten Jahren hat sich der Bedarf an Transparenz und Interpretierbarkeit durch bedeutende Fortschritte bei datengetriebenen Modellen verstärkt, was zur Entstehung der erklärbaren Künstlichen Intelligenz (XAI) geführt hat. Mehrere traditionelle XAI-Ansätze sind verbreitet; diese haben jedoch nur begrenzte Kompetenz bei der Interpretation dynamischer Beziehungen. Die aktuelle Forschung zielt darauf ab, diese Einschränkung zu beheben, indem ein neuartiges Ensemble SHapley Additive Explanations (SHAP)-Framework vorgeschlagen wird, das sich auf zeitliche Gewichtung, kausale Inferenz, hierarchische Attribution und Interpretierbarkeitsoptimierung konzentriert, bekannt als TCHSHAP. TCHSHAP priorisiert aktuelle Informationen über historische Informationen durch zeitliche Gewichtung durch exponentielle Zerfallsverteilung. Darüber hinaus trennt kausale Schlussfolgerung Korrelation von Kausalität, um praktische Einsichten zu gewinnen. Zusätzlich ermöglicht hierarchische Attribution Einblicke auf granularer (Regionsebene) und aggregierten Ebenen (Merkmalsgruppenauswirkungen). Diese Ansätze werden integriert, um ein interpretierbareres und erklärbareres Modell zu erreichen. Um die Wirksamkeit des vorgeschlagenen Modells zu validieren, führen wir ein Experiment mit dem von Kaggle gesammelten Ernteertragsdatensatz durch. Vor der experimentellen Auswertung wird die Datenvorverarbeitung mittels One-Hot-Codierung durchgeführt. Die Datennormalisierung erfolgt durch Min-Max-Skalierung, und Ausreißer werden über den Interquartilbereich entfernt. Zur experimentellen Bewertung verwendeten die Autoren das SHAP XAI-Modell für Random Forest. Bei der Bewertung der Wirksamkeit des vorgeschlagenen TCHSHAP-Modells wird festgestellt, dass die durchschnittliche Vorhersage für traditionelle SHAP zwar 161,137 beträgt, aber nach Einbeziehung zeitlicher Gewichtung und kausaler Inferenz auf 161,506 ansteigt, was die Wirksamkeit der Anwendung zeitlicher und kausaler Bedeutung befürwortet. Außerdem wird bei der hierarchischen Attribution beobachtet, dass landwirtschaftliche Merkmale die stärkste Dominanz über die Zielvariable haben. Auf diese Dominanz folgen geografische und ökologische Faktoren. Somit autorisieren die erzielten Ergebnisse die Wirksamkeit des vorgeschlagenen Ansatzes zur Verbesserung der globalen und lokalen Interpretierbarkeit und stärken das Vertrauen des Nutzers in Modellvorhersagen. Die aktuelle Arbeit bietet Möglichkeiten, Transparenz und Interpretierbarkeit zu verbessern, ohne die Modellleistung zu beeinträchtigen. Das vorgeschlagene Modell ermöglicht zudem interpretierbare und effiziente Regressionsmodellierung in komplexen, datengetriebenen Anwendungen und ermöglicht so eine weitverbreitete Anwendung in realen Umgebungen.

Einleitung

Regression spielt eine bedeutende Rolle in der prädiktiven Analytik und umfasst mehrere Bereiche, darunter Klimamodellierung, Finanzprognosen, Gesundheitsdiagnostik und landwirtschaftliche Ertragsschätzung ^1,2. Die unerklärlichen Ergebnisse von Regressionsmodellen, insbesondere nichtlinearer und hochkapazitabler Modelle wie Gradient Boosting Machines (GBMs), Random Forests und Deep Neural Networks (DNNs), stellen jedoch erhebliche Herausforderungen dar, insbesondere für Anwendungen, die Transparenz und umsetzbare Erkenntnisse erfordern. Diese Interpretierbarkeitslücke kann dur....

Protokoll

HINWEIS: Dieser Abschnitt behandelt die vorgeschlagene Ensemble-Methode, einschließlich aller vorgeschlagenen Änderungen, wie in Abbildung 1 dargestellt.

Datenaufbereitung

Um die Wirksamkeit des vorgeschlagenen Rahmens zu validieren, führten die Autoren ein Experiment mit dem Ernteertragsdatensatz aus Kaggle¹⁷ durch. Dieser Datensatz besteht aus indischen landwirtschaftlichen Daten für verschiedene Kulturen von 1997 bis 2020 und wurde im März 2025 abgerufen. Dieser Datensatz umfasst zahlreiche Merkmale, nämlic....

Ergebnisse

Dieser Abschnitt behandelt die Ergebnisse, die durch die Anwendung verschiedener während der Experimentstudie verwendeter Methoden erzielt wurden, die aus folgenden Unterabschnitten bestehen:

Datenerhebung und Vorverarbeitung

Um eine experimentelle Bewertung des vorgeschlagenen Rahmens durchzuführen, wurde ein Datensat.......

Diskussion

Das Hauptziel der aktuellen Studie ist es, zeitliche Gewichtung, kausale Inferenz und hierarchische Bedeutung in das traditionelle SHAP-Modell zu integrieren, was das TCHSHAP-Modell ergibt. Der Grund für die Integration dieser Komponenten in XAI-Techniken ist es, die Interpretierbarkeit der Ergebnisse zu verbessern. Für die zeitliche Gewichtung haben wir eine exponentielle Abklingungstechnik betrachtet, die aktuellen Werten mehr Gewicht zuteilt im Vergleich zu alten Werten. In der kausal.......

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
ELI5	0.13.0	PyPI
LIMONE	0.2.0.1	PyPI
Nvidia DGX A100 GPU Server	CPU Dual AMD Rome 7742, insgesamt 128 Kerne	Nvidia
Systemspeicher 1TB
Python	3.1	Python
SHAP	0.41.0	PyPI
scikit-learn	1.3.0	PyPI
TensorFlow	2.13	Tensorfluss
XGBoost	1.7.6	PyPI