Zespół wag czasowych, wnioskowanie przyczynowe i hierarchiczna atrybucja w optymalizacji SHAP

Archana Salaria; Manik Rakhra; Nonita Sharma; Monika Mangla; Fernando Moreira; Nishan Singh Bala

doi:10.3791/69125

Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Zespół wag czasowych, wnioskowanie przyczynowe i hierarchiczna atrybucja w optymalizacji SHAP

498 wyświetleń

⸱

DOI:

10.3791/69125

⸱

18 listopada 2025

Archana Salaria¹ , Manik Rakhra¹ , Nonita Sharma² , Monika Mangla³ , Fernando Moreira⁴ , Nishan Singh Bala⁵

¹School of Computer Science Engineering, Lovely Professional University, ²Department of Information Technology, Indira Gandhi Delhi Technical University for Women, ³Department of Information Technology, Dwarkadas J. Sanghvi College of Engineering, ⁴REMIT, IJP, Universidade Portucalense, ⁵Oakville Trafalgar High School, Halton District School Board

W tym artykule

Podsumowanie

Niniejszy artykuł ma na celu ocenę wpływu wagowania czasowego, wnioskowania przyczynowego oraz hierarchicznego przypisywania na optymalizację interpretowalności.

Streszczenie

W ciągu ostatnich kilku lat potrzeba przejrzystości i interpretowalności wzrosła dzięki znaczącym postępom w modelach opartych na danych, co doprowadziło do powstania Wyjaśnialnej Sztucznej Inteligencji (XAI). Dominuje kilka tradycyjnych podejść XAI; jednak mają one ograniczone kompetencje w interpretacji relacji dynamicznych. Obecne badania mają na celu rozwiązanie tego ograniczenia poprzez propozycję nowatorskiego frameworka Ensemble SHapley Additive ExPlanations (SHAP), który koncentruje się na ważeniu czasowym, wnioskowaniu przyczynowym, hierarchicznym przypisaniu oraz optymalizacji interpretowalności, znanym jako TCHSHAP. TCHSHAP priorytetowo traktuje informacje bieżące nad historycznymi poprzez ważenie czasowe poprzez wykładnicze zanikanie. Ponadto wnioskowanie przyczynowe oddziela korelację od przyczynowości, aby uzyskać praktyczne wnioski. Dodatkowo, hierarchiczna atrybucja pozwala na analizę na poziomie szczegółowym (na poziomie regionu) i agregowanym (wpływ na grupy cech). Te podejścia są zintegrowane, aby uzyskać bardziej interpretowalny i wyjaśniający model. Aby zweryfikować skuteczność proponowanego modelu, przeprowadzamy eksperyment na zbiorze danych o plonach zebranych z Kaggle. Przed eksperymentalną oceną wstępne przetwarzanie danych odbywa się za pomocą kodowania one-hot. Normalizacja danych odbywa się poprzez skalowanie min-max, a wartości odstające są usuwane w zakresie interkwartylowym. Dla celów oceny eksperymentalnej autorzy wykorzystali model SHAP XAI dla Random Forest. Podczas oceny skuteczności proponowanego modelu TCHSHAP zaobserwowano, że podczas gdy średnia prognoza dla tradycyjnego SHAP wynosi 161,137, wzrasta do 161,506 po uwzględnieniu ważenia czasowego i wnioskowania przyczynowego, co podkreśla skuteczność stosowania istotności czasowej i przyczynowej. Dodatkowo, podczas hierarchicznej atrybucji zaobserwowano, że cechy rolnicze mają najsilniejszą dominację nad zmienną docelową. Ta dominacja jest następowana przez czynniki geograficzne i środowiskowe w kolejności. W ten sposób uzyskane wyniki upoważniają do skuteczności proponowanego podejścia w celu zwiększenia globalnej i lokalnej interpretowalności, wzmacniając zaufanie użytkownika do prognoz modelu. Obecne prace oferują sposoby na poprawę przejrzystości i interpretowalności bez wpływu na wydajność modelu. Sugerowany model umożliwia również interpretowalne i efektywne modelowanie regresyjne w złożonych, opartych na danych aplikacjach, umożliwiając jego szerokie zastosowanie w rzeczywistych warunkach.

Wprowadzenie

Regresja odgrywa kluczową rolę w analityce predykcyjnej, obejmując kilka dziedzin, w tym modelowanie klimatu, prognozowanie finansowe, diagnostykę medyczną oraz szacowanie plonów rolnych ^1,2. Jednak niewyjaśnione wyniki modeli regresji, zwłaszcza nieliniowych i o dużej pojemności, takich jak Gradient Boosting Machines (GBM), losowe lasy i głębokie sieci neuronowe (DNN), stwarzają poważne wyzwania, zwłaszcza dla zastosowań wymagających przejrzystości i praktycznych wniosków. Lukę w interpretowalności można zniwelować, stosując Explainable Artificial Intelligence (XAI), technikę, która wciąż jest w powijakach. O....