Conjunto de Ponderação Temporal, Inferência Causal e Atribuição Hierárquica para a Otimização SHAP

Resumo

Este artigo tem como objetivo avaliar o impacto da ponderação temporal, inferência causal e atribuição hierárquica na otimização da interpretabilidade.

Resumo

Nos últimos anos, a necessidade de transparência e interpretabilidade foi intensificada devido a avanços significativos em modelos orientados por dados, levando ao surgimento da Inteligência Artificial Explicável (XAI). Várias abordagens tradicionais do XAI são comuns; no entanto, esses têm competência limitada na interpretação de relações dinâmicas. A pesquisa atual visa abordar essa limitação propondo um novo framework de Ensemble SHapley Additive ExPlanations (SHAP), que foca em ponderação temporal, inferência causal, atribuição hierárquica e otimização de interpretabilidade, conhecido como TCHSHAP. O TCHSHAP prioriza informações atuais em detrimento das informações históricas, ponderando temporalmente através do decaimento exponencial. Além disso, a inferência causal separa correlação de causalidade para obter insights práticos. Além disso, a atribuição hierárquica permite insights em níveis granulares (nível regional) e agregados (impactos de grupos de características). Essas abordagens são integradas para alcançar um modelo mais interpretável e explicável. Para validar a eficácia do modelo proposto, realizamos um experimento com o conjunto de dados de rendimento das culturas coletado do Kaggle. Antes da avaliação experimental, o pré-processamento de dados é realizado usando codificação one-hot. A normalização de dados é feita por escalonamento min-max, e os valores atípicos são removidos através da faixa Interquartil. Para fins de avaliação experimental, os autores utilizaram o modelo SHAP XAI para Random Forest. Ao avaliar a eficácia do modelo TCHSHAP proposto, observa-se que, embora a previsão média para o SHAP tradicional seja 161,137, ela sobe para 161,506 após incorporar ponderação temporal e inferência causal, defendendo a eficácia do uso de significância temporal e causal. Além disso, durante a atribuição hierárquica, observa-se que as características agrícolas têm a maior predominância sobre a variável-alvo. Essa predominância é seguida por fatores geográficos e ambientais, em ordem. Assim, os resultados obtidos autorizam a eficácia da abordagem proposta para aprimorar a interpretabilidade global e local, fortalecendo a confiança do usuário nas previsões dos modelos. O trabalho atual oferece maneiras de melhorar a transparência e a interpretabilidade sem afetar o desempenho do modelo. O modelo sugerido também permite modelagem de regressão interpretável e eficiente em aplicações complexas orientadas por dados, possibilitando sua ampla aplicação em ambientes do mundo real.

Introdução

A regressão desempenha um papel fundamental na análise preditiva, abrangendo vários domínios, incluindo modelagem climática, previsão financeira, diagnóstico em saúde e estimativa de rendimento^{agrícola 1,2}. No entanto, os resultados inexplicados dos modelos de regressão, especialmente modelos não lineares e de alta capacidade como Gradient Boosting Machines (GBMs), Random Forests e Deep Neural Networks (DNNs), apresentam desafios significativos, especialmente para aplicações que exigem transparência e insights acionáveis. Essa lacuna de interpretabilidade pode ser preenchida empregando a Inteligência Artificial Explicável (XAI), uma técnica que ainda está em sua infância. Atualmente, frameworks convencionais XAI como SHAP e Local Interpretable Model Agnostic Explanation (LIME) fornecem apenas explicações estáticas^{de características 3}. Essas técnicas XAI atualmente não explicam as complexidades das tarefas de regressão envolvendo dependências temporais, estruturas de características hierárquicas e causalidades, criando uma via de pesquisa ^4,5. Devido à não consideração desses fatores, a XAI pode, às vezes, chegar a conclusões incorretas. Por exemplo, o SHAP tradicional só considera a correlação dos atributos com a variável alvo sem considerar a causalidade. Vamos considerar um conjunto de dados com duas características binárias de entrada, a saber: consumo de tabaco e dentes manchados. A variável-alvo neste conjunto de dados é a probabilidade de câncer. Nesse cenário, se houver correlação entre as características de entrada e a variável-alvo, o câncer estará altamente correlacionado com ambas as características (consumo de tabaco e dentes manchados). Agora, é bastante enganoso concluir que dentes manchados causam câncer, pois são causados pelo consumo regular de tabaco. Assim, pode-se resumir que, apesar do progresso significativo no domínio da XAI, as principais questões que precisam ser abordadas em contextos de regressão incluem:

A incapacidade de considerar dependências temporais leva apenas a explicações estáticas que podem não funcionar em contextos com dados dinâmicos.

A não inclusão de inferência causal nas adaptações tradicionais do SHAP causa correlações falsas em vez de insights causais valiosos.

A falta de atenção à interpretação hierárquica leva a explicações agregadas de nível superior insuficientes.

Para abordar essas questões, o trabalho de pesquisa atual visa propor um novo framework XAI, TCHSHAP, que engloba ponderação temporal, inferência causal e atribuição hierárquica, com o objetivo de aprimorar a interpretabilidade e a eficiência computacional dos modelos XAI atuais. Para isso, a estrutura proposta considera um fator de ponderação temporal w_t que atribui pesos mais altos à contribuição recente da característica em comparação com valores passados. Esse fator de ponderação visa garantir que a interpretabilidade esteja alinhada com a importância temporal de características cruciais em problemas de regressão dinâmica, como previsão de rendimento e previsão de vendas. Além disso, modelos tradicionais de regressão não apresentam relações causais, levando a atribuições^{ambíguas 6}. Para enfrentar esse desafio, o framework proposto adota Modelos Causais Estruturais (SCMs) para avaliar o impacto causal de uma característica F_i na saída. Além disso, os conjuntos de dados em tempo real frequentemente demonstram relações hierárquicas (espaciais ou categóricas) entre características, que raramente são apresentadas nos frameworks XAI ^{existentes 4,5,6}. Pelo contrário, o framework XAI sugerido agrega características individuais (F_i) para obter características de nível superior (H_j), a fim de alcançar a granularidade das explicações.

Além de incorporar significados temporais, causal e hierárquicos, o conjunto proposto também visa melhorar a interpretabilidade e a explicabilidade. Tal objetivo é um esforço para estabelecer o equilíbrio entre interpretabilidade e precisão, garantindo que as explicações obtidas do TCHSHAP sejam precisas e interpretáveis⁴. O framework XAI sugerido pode ser descrito matematicamente da seguinte forma, enquanto a descrição das variáveis usadas é dada na Tabela 1. O valor tradicional do SHAP para a característica é calculado como a equação (1)^5,6.

(1)

Essa formulação tradicional do SHAP soma contribuições sem considerar ajustes temporais, causais ou hierárquicos.

Variável	Definição
Fi	Característica cujo valor Shap está sendo calculado
Shapi	Valor de Shap da Característica
S	Conjunto de Recursos Totais
M	Subconjunto de todas as características
FT	Número total de Features
P(M)	Previsão do Modelo quando apenas características em M são usadas
λ > 0	Taxa de decaimento
T	Tempo de Previsão de Referência
Y	Saída

Tabela 1: Descrição das variáveis utilizadas. Esta tabela descreve o significado das várias variáveis utilizadas.

Essa formulação tradicional do SHAP é modificada para lidar com dependências dinâmicas incluindo ponderação temporal. Essa ponderação temporal é incorporada introduzindo o coeficiente de ponderação wt = ^{e-λ |t - t|} onde λ representa o fator de decaimento (λ > 0). Como discutido anteriormente, essa ponderação exponencial dá mais peso aos valores recentes em comparação aos valores anteriores. Esse decaimento exponencial está incluído com a compreensão de que valores recentes de características têm maior significado do que valores passados. O valor modificado do SHAP (após incorporar a significância temporal) é dado na equação (2).

(2)

Essas informações temporais são importantes para tarefas de regressão dinâmica, como prever rendimentos ou ações.

Além disso, para tornar as explicações mais robustas, a SCM é aplicada para avaliar o impacto causal da característica F_i na saída Y. A formulação matemática para SHAP causal é dada na equação (3)

(3)

Aqui do(F_i) representa a característica que contribuiu para a mudança. Ao usar isso, o modelo alcança a competência para explicar a causalidade, e não a correlação. Vale notar que a computação baseada em SCM de efeitos causais garante que apenas características com influência causal direta recebam crédito, eliminando falsas correlaciones.

Além disso, a hierarquia é proposta no modelo sugerido para agregar atributos em vários níveis. A formulação matemática para o SHAP hierárquico é dada na equação (4).

(4)

A incorporação da hierarquia no modelo sugerido garante a obtenção da granularidade das explicações. A estrutura sugerida é representada na Figura 1.

Figura 1: Ilustração pictórica de vários elementos no arcabouço proposto. Esta figura apresenta uma ilustração pictórica de vários elementos no arcabouço proposto TCHSHAP que incluem ponderação temporal, inferência causal e atribuição hierárquica. Por favor, clique aqui para ver uma versão ampliada desta figura.

A novidade do modelo proposto TCHSHAP está em lidar com essas três inconsistências empregando ponderação temporal (para dar mais peso às informações atuais), Modelos Causais Estruturais (SCM; para avaliar efeitos causais) e agregação hierárquica dos valores SHAP (para obter insights multinível). Assim, o conjunto proposto expande o SHAP além de suas restrições estáticas, fornecendo uma estrutura explicativa otimizada para regressão.

O TCHSHAP proposto tem potencial para alcançar grande importância para aplicações em tempo real em cenários que exigem melhor tomada de decisões, pois identifica as explicações detalhadas da saída em modelos de regressão, conectando perfeitamente a modelagem à tomada de decisão. Em resumo, a principal contribuição deste manuscrito é desenhar uma estrutura inovadora que combina ponderação temporal, inferência causal e relações hierárquicas para aprimorar as explicações acionáveis do modelo tradicional do SHAP.

Trabalhos relacionados

O XAI incorpora diferentes metodologias especialmente projetadas para aprimorar a transparência e a interpretabilidade de diferentes modelos de aprendizado de máquina. Essas estratégias XAI estabelecem confiança nos resultados ao fornecer os insights necessários a partir deles. Por exemplo, metodologias XAI notáveis, como LIME e SHAP, aumentam a interpretabilidade e transparência de modelos caixa-preta em vários domínios, como finanças, educação e setor^{de saúde 7}. Além disso, técnicas XAI são aplicadas em tarefas relacionadas à análise de software, detecção de clones e previsão de defeitos Just-in-Time⁸. Além disso, Awal e Roy também destacaram as discrepâncias e demonstraram menor confiabilidade na geração das^{explicações 8}. Aqui, os autores aplicaram Métricas de Avaliação em Nível Granular para reduzir a consistência na avaliação. O XAI também tem sido amplamente empregado no campo médico para entender os fatores mais proeminentes que afetam os resultados da tarefa de classificação e, assim, fomentar a confiança entre profissionais de saúde no uso de diagnósticos baseados em^IA 9,10,11,12. Além disso, em setores como a previsão de aluguel residencial belga, as abordagens XAI facilitam a interpretação de modelos complexos, aprimorando assim o controle de qualidade e minimizando erros^{de produção13}. Bommer et al. demonstraram que a integração dos métodos XAI com gradientes melhora o desempenho dos métodos XAI em termos de robustez, fidelidade, complexidade e randomização na ciência do^{clima 14}. Muitos pesquisadores tentaram criar técnicas de conjunto e híbridas. Além de propor técnicas de conjunto, os pesquisadores também demonstraram a eficácia dessas técnicas híbridas para fornecer insights abrangentes para modelos^{complexos 15,16}. Uma revisão detalhada das técnicas, otimizações e diversas aplicações está tabulada na Tabela 2, que indica claramente que as técnicas mais amplamente aplicadas são LIME e SHAP. A direção futura da pesquisa aponta para explorar a otimização desses métodos para aprimorar a interpretabilidade desses modelos. Continuando a linha de pesquisa, autores em trabalhos atuais focam na otimização do SHAP, adicionando inferência causal, atribuição hierárquica e ponderação temporal.

Citação	Técnicas XAI	Optimização	Insights	Aplicativos	Direções Futuras de Pesquisa
(Anushree et al., 2024)	LIMA	Não fornecido	Aprimoramento da interpretabilidade e transparência de modelos caixa-preta em várias aplicações nos setores financeiro, educacional e saúde.	· Compromisso entre Precisão e Interpretabilidade nos setores de Finanças, Educação e Saúde	· É necessário desenvolver uma lista detalhada de métricas para avaliar vários modelos XAI
	SHAP
	Mecanismos de perturbação
	Mecanismos baseados na atenção
(Awal & Roy, 2024)	PyExplainer	Métricas de Avaliação em Nível Granular para reduzir a consistência na avaliação.	Destaca as discrepâncias e demonstra menor confiabilidade na geração das explicações.	· Tarefas relacionadas à Análise de Software	· Métodos avançados de pesquisa são necessários para aumentar a confiabilidade dos modelos XAI para tarefas relacionadas à análise de software
	LIMA			· Detecção de clones
				· Previsão de Defeitos do Just in Time
(Bommer et al., 2024)	Gradientes Integrados	Integração de métodos XAI com gradientes	A integração dos métodos XAI com gradientes melhora o desempenho em termos de robustez, fidelidade, complexidade e randomização na ciência do clima.	· Previsão da Ciência do Clima	· Foque na avaliação específica da ciência do clima.
	Propagação de relevância por camada			· Previsão anual de mapas de temperatura média
	Gradientes de tempo de entrada
	métodos de sensibilidade como gradiente, SmoothGrad, NoiseGrad e FusionGrad
(Bhatnagar & Agrawal, 2024)	LIMA	Conjunto de Técnicas XAI	O Ensemble oferece uma visão abrangente e aprimora a interpretabilidade e explicabilidade de modelos complexos.	· Aplicado no conjunto de dados Moral para aprimorar a interpretabilidade dos resultados	· Explore métodos híbridos XAI combinando múltiplas técnicas
	SHAP				· Personalização de vários algoritmos XAI para modelos específicos, atendendo a diferentes necessidades dos usuários
(Dias, 2024)	LIMA	Integração das Técnicas XAI	Melhor Interpretabilidade e Precisão	· Classificação de Comentários Tóxicos	· Aumentando a força para fins de classificação.
	Eli5
(Hajare et al., 2024)	SHAP	Não fornecido	O SHAP oferece insights detalhados sobre os fatores de risco na previsão da Síndrome Coronariana Aguda.	· Síndrome Coronariana Aguda (SCA)	· Para descobrir novos fatores de risco na previsão da ACS.
(Hamida et al., 2024)	Revisão abrangente de várias técnicas XAI	Não fornecido	Fornece insights sobre aplicações XAI no setor de saúde, enfatizando a importância da explicabilidade das decisões de IA para entender os resultados proporcionados pela IA.	· Insights Acionáveis no Setor de Saúde	· Aprimoramento dos componentes XAI, nomeadamente compreensibilidade, transparência, interpretabilidade e explicabilidade.
					· Técnicas XAI personalizadas para o setor de saúde para obter insights detalhados no domínio da saúde
(Ihongbe et al., 2024)	Grad-CAM (Mapeamento de Ativação de Classes Ponderado em Gradiente)	Mapeamento de Ativação de Classe ponderado por gradiente	Melhor precisão para diagnóstico de pneumonia e COVID-19.	· Melhoria da precisão para diagnóstico médico	Aumentar a conscientização sobre a usabilidade das técnicas XAI para aplicações reais
(Lenaers, & De Moor, 2023).	6 Técnicas XAI	Conjunto de 6 Técnicas XAI no Modelo CatBoost	Múltiplas técnicas aprimoram a interpretabilidade do XAI para a previsão de aluguel.	· Previsão de aluguel residencial belga	XAI pode ser utilizado para tomada de decisões
(Makumbura et al., 2024)	SHAP	Conjunto de RF, LightGBM, XGBoost com SHAP	O SHAP revela os diversos fatores responsáveis por avaliar e prever a qualidade da água.	· Avaliação e previsão da qualidade da água	Pode ser empregado para tomada de decisões
(Schlegel & Keim, 2023).	Técnicas XAI com Análise de Perturbações	Análise de Perturbação	Pode ser empregado de forma eficaz para tarefas de classificação de Dados de Séries Temporais	· Dados de Séries Temporais de Finanças, Saúde e Ciência do Clima	Combinar múltiplas técnicas XAI para melhorar a interpretabilidade.
(Silva & Keller, 2023)	XAI	Não fornecido	Modelos XAI têm uma limitação para explicar os resultados em caso de características correlacionadas. Pode ser empregado para ciências da Terra e atmosféricas.	· Ciências atmosféricas	O XAI precisa ser otimizado para características correlacionadas para evitar explicações falsas.
	Velocidade de Reação Biomolecular			· Química Atmosférica
(Y, S., & Challa, M. 2023)	SHAP	Não fornecido	Aqui, os modelos XAI são comparados em relação à interpretabilidade e compreensão de características importantes, concluindo que SHAP e LIME são os mais eficazes.	· Aplicações Médicas	Aprimorar a interpretabilidade para aplicações médicas avançadas
	LIMA
	PDP
	GAM

Tabela 2: Revisão abrangente de várias otimizações feitas nas técnicas XAI. Esta tabela apresenta uma revisão abrangente das diferentes técnicas de otimização sugeridas por diversos pesquisadores.

Protocolo

NOTA: Esta seção discute o método de conjunto proposto, incluindo todas as emendas propostas ilustradas na Figura 1.

Preparação de dados

Para validar a eficácia do quadro proposto, os autores realizaram um experimento no conjunto de dados de rendimento das culturas coletado do Kaggle¹⁷. Este conjunto de dados consiste em dados agrícolas indianos para várias culturas de 1997 a 2020 e foi acessado em março de 2025. Este conjunto de dados compreende diversas características, como estação da estação, crop_year, fertilizante, pesticida, cultura agrícola e rendimento (variável-alvo), entre outros. O conjunto de dados considerado é pré-processado para maior eficiência usando codificação one-hot para lidar com valores categóricos. As características categóricas como estação, cultura e estado são codificadas em um único quente. A escala MinMax também é empregada para escalar características numéricas como área, produção, annual_rainfall, fertilizante e pesticida para a faixa [0,1]. Para lidar com os valores atípicos, usamos a regra do intervalo interquartil com limiar Q₁ - 1,5 • IQR¹⁷. Uma semente aleatória de 42 foi aplicada em todas as etapas de pré-processamento para obter a reprodutibilidade dos resultados. Além disso, o conjunto de dados foi dividido em um conjunto de dados de treinamento (80%) e um conjunto de dados de teste (20%) após o pré-processamento.

Configuração experimental

O experimento foi realizado usando Python 3.10 em um servidor de GPU A100 com CPU: Dual AMD Rome 7742, 128 núcleos, 1TB de RAM. Bibliotecas importadas para simulação são scikit-learn 1.3.0, XGBoost 1.7.6, TensorFlow 2.13, SHAP 0.41.0, LIME 0.2.0.1 e ELI5 0.13.0.

Avaliação de modelos de ML

Aqui, os autores utilizaram vários modelos de regressão, nomeadamente LinearRegression(), Ridge(alpha=1,random_state=42), Lasso(alpha=0,1,random_state = 42), Decision TreeRegressor(max_depth = 10, random_state = 42), RandomForestRegressor(max_depth = 15random_state = 42), GradientBoostingRegressor(n_estimators = 200, learning_rate = 0,1, random_state = 42), XGBoost e CNN para determinar o impacto de várias variáveis na variável alvo que resulta^{em 18}. O XGBoost usa 300 estimadores e uma taxa de aprendizado de 0,05. No modelo CNN, duas camadas ocultas, ativações ReLU e otimizador Adam são usadas com taxa de aprendizado de 0,001. A eficiência desses modelos é comparada usando diferentes métricas de desempenho. Esses modelos também realizam ajuste de hiperparâmetros. Por exemplo, regressão de crista e regressão de laço são treinadas com alfa igual a 1,0 e alfa igual a 0,1, respectivamente. Na Árvore de Decisão e na Floresta Aleatória, a profundidade máxima era definida para 10 e 15, respectivamente. Gradient Boosting utiliza 200 estimadores e uma taxa de aprendizado de 0,1. O desempenho desses modelos foi avaliado usando validação cruzada de 5 vezes em termos de Erro Quadrático Médio (MSE) e R2 quadrado.

Avaliação dos modelos XAI

Como discutido, o trabalho atual utiliza vários modelos XAI para comparar os resultados. Aqui, os autores usam shap. TreeExplainer(model,data = crop_yield) para modelos baseados em árvores (Random Forest, Gradient Boosting e XGBoost). Um conjunto de dados de fundo com 100 casos selecionados aleatoriamente foi escolhido do conjunto de dados de treinamento para estabilizar as atribuições. Além disso, Shap. KernelExplainer() foi usado para modelos não-árvores (Linear, Ridge, Lasso e CNN) com 1000 perturbações para se aproximar dos valores SHAP. Explicação tabular (lime.lime_tabular. LimeTabularExplainer) foi usado com 5000 perturbações por instância para rodar LIME no mesmo conjunto de dados de fundo, garantindo que as explicações locais sejam estáveis. A largura do núcleo foi definida com base em características, e a função de predição do modelo foi usada para inferir explicações. Explicações locais eram geradas chamando explainer.explain_instance(x,model.predict). ELI5 foi utilizado como importância de permutação com 10 repetições na divisão de validação para evitar sobreajuste dos dados do teste, e foi simulado usando eli5.sklearn.PermutationImportance(estimator,random_state = 42). A importância da média e variância entre repetições foi demonstrada durante o experimento. Por fim, o modelo ajustado foi usado para a divisão de validação para obter Gráficos de Dependência Parcial (PDPs), que foram implementados usando PartialDependencyDisplay.from_estimator (modelo,X_val,características = [característica]),

Configuração do framework TCHSHAP

Posteriormente, o TCHSHAP foi implementado aplicando várias etapas em sequência. O primeiro passo na sequência foi a ponderação temporal que utiliza uma função de decaimento exponencial com taxa de decaimento λ = 0,85, selecionada com base em um estudo de ablação em λ [0,7.0.95]. O tempo de referência (T_current) foi selecionado como o ano de safra mais recente no conjunto de dados. Isso garante que as explicações do modelo considerem a dinâmica da previsão de produção agrícola, onde características recentes (precipitação, uso de fertilizantes ou pesticida) têm maior importância na tomada de decisões. A ponderação temporal foi seguida pela SCM para adotar inferências causais. A metodologia sugerida utiliza o operador ponto para simular intervenções e calcular o Efeito Causal Médio. A inferência causal foi aplicada usando a biblioteca python doWhy 0.13. Isso ajuda a aliviar conexões enganosas devido a insumos correlacionados como produção e área, alcançando verdadeiras ligações de causa e efeito. A etapa final do pipeline foi a atribuição hierárquica, onde as características eram organizadas em domínios de nível superior. Para o conjunto de dados atual, existem 3 características hierárquicas, a saber: Insumos Agrícolas (Fertilizante, Pesticida), Fatores Geográficos (Estado, Área Crop_Year) e Fatores Ambientais (Annual_Rainfall, Estação). Ao usar soma normalizada para agrupar dados SHAP, explicações em ambos os níveis (detalhado e geral) podem ser obtidas.

Em resumo, o pipeline TCHSHAP combina três etapas — ajuste temporal, atribuição causal e agrupamento hierárquico — em um único processo. Aqui, o SHAP de referência primeiro faz explicações, seguido pela adição de três melhorias. Esse pipeline estruturado garante que as saídas do TCHSHAP sejam consistentes, possam ser reproduzidas e forneçam explicações tanto locais quanto globais. A descrição passo a passo do framework proposto está no pseudocódigo abaixo.

Entrada:
X: Conjunto de dados com características_{X 1,X 2,X 3},........,_{X n}.
T: Variável temporal no conjunto de dados
_{T atual}: Tempo de referência
λ: Taxa de decaimento
G: Grupos de Recursos
Calcular Pesos Temporais
Para cada ocorrência, i X, avalie w_t = ^e-λ|t-T|,
Calcule os Valores de Shap_i
Calcule Shap_Tempral = Shap_i * w t
Calcular a Inferência Causal
Para cada Característica, X_i X
Calcule _{Shap Causal} = Shap_i * Efeito Causal(X_j →Y)
Atribuição Hierárquica
Para cada Característica, X_i X
Calcule os Valores de Shap_i
Para cada G_i  G

Saída: Conjunto de valores SHAP agregados hierarquicamente

O checkpoint quantitativo para facilitar a resolução de problemas é apresentado abaixo: Random Forest gerando o menor MSE e o maior^R2 em todos os modelos de ML. A importância principal obtida foi a área > pesticidas > fertilizantes, com a estação e a Crop_Year mínimas. A previsão global de base do SHAP foi de 161,137. Além disso, após aplicar λ = 0,85, a contribuição de Crop_year e Estação aumenta. Contribuições em nível de grupo seguem a ordem Insumos Agrícolas>Fatores Geográficos> Fatores Ambientais.

Resultados

Esta seção discute os resultados obtidos pela aplicação de vários métodos usados durante o estudo experimental, compreendendo várias subseções da seguinte forma:

Coleta e pré-processamento de dados

Para realizar uma avaliação experimental do arcabouço proposto, um conjunto de dados sobre rendimento das culturas foi col...

Discussão

O principal objetivo do estudo atual é incorporar ponderação temporal, inferência causal e significado hierárquico no modelo SHAP tradicional, resultando no modelo TCHSHAP. O motivo por trás da inclusão desses componentes nas técnicas XAI é melhorar a interpretabilidade dos resultados. Para ponderação temporal, consideramos uma técnica de decaimento exponencial, que dá mais peso aos valores recentes em comparação com valores antigos. Em relação à significância causal, os autores tentam a...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
ELI5	0.13.0	PyPI
LIMA	0.2.0.1	PyPI
Servidor de GPU Nvidia DGX A100	CPU Dual AMD Rome 7742, 128 núcleos no total	Nvidia
Memória do Sistema 1TB
Pitão	3.1	Pitão
SHAP	0.41.0	PyPI
scikit-learn	1.3.0	PyPI
TensorFlow	2.13	Fluxo tensorial
XGBoost	1.7.6	PyPI