摘要
基于Shapley值的特征归因方法在处理复杂特征交互和因果关系时面临挑战，即使在提供因果结构的情况下也不例外。现有方法通常采用以节点为中心的视角，仅归因于单个特征的重要性。因此，它们往往无法同时捕捉特征的外部性和外生影响，导致不合理的解释。
为了解决这些局限性，我们提出了一种新颖的特征归因方法，称为DAG-SHAP，基于边干预。DAG-SHAP将每个特征边视为单独的归因对象，确保适当地捕捉特征的外部性和外生贡献。此外，我们还引入了一种高效计算DAG-SHAP的近似方法。
对真实和合成数据集的广泛实验验证了DAG-SHAP的有效性。我们的代码可在 GitHub 获取。
博主点评： DAG-SHAP方法通过边干预技术有效地解决了现有特征归因方法的不足，特别是在复杂特征交互的场景中，具有广泛的应用潜力。其对外部性和外生影响的全面捕捉，为数据分析提供了更为合理的解释框架。期待看到更多基于此方法的实际应用案例。