SHAP
SHAP是基于博弈论Shapley值的可解释AI方法，通过计算每个特征对模型预测的贡献度来解释模型决策，是目前最广泛使用的XAI方法之一
核心事实
时间轴 (近 90 天)
2017年Lundberg与Lee提出SHAP，将Shapley值引入机器学习可解释性领域。
提供可解释性信息（如 LIME 或 SHAP 生成的特征归因）能够有效对抗自动化偏见
LIME、SHAP、Grad-CAM等基于像素级归因的方法解释单元是像素或区域，而非人类熟悉的语义概念
SHAP和LIME都是事后（post-hoc）解释框架，不改变模型本身，而是在预测完成后再生成解释
行业内常用的医疗AI可解释性缓解手段包括注意力可视化（Grad-CAM）、SHAP值解释以及'人在回路'设计
研究整合了SHAP、分组置换重要性、Boruta和递归特征消除（RFE）四种特征重要性方法，并通过共识排序策略融合结果
评估的九种XAI方法涵盖基于梯度的方法（Vanilla Gradient、Integrated Gradients）、基于扰动的方法（LIME、KernelSHAP）和基于传播规则的方法（LRP）
LIME、SHAP等主流方法在设计时将最大化局部保真度作为优化目标
XGBoost拥有成熟的特征重要性分析、SHAP值解释以及工程化工具链，而基于Transformer的表格基础模型在可解释性方面尚不成熟
注意力权重并不等于因果解释，SHAP值在高维场景下计算成本高昂，思维链输出的推理过程与模型内部计算未必一一对应
还有 15 条时间轴事件
全部知识事实 (20)
SHAP（SHapley Additive exPlanations）是主流的机器学习模型解释框架，理论基础源自博弈论中的Shapley值
75%已验证LIME和SHAP是可解释AI（XAI）领域中尝试事后解释模型行为的方法
65%已验证LIME（局部可解释模型无关解释）和SHAP（Shapley加性解释值）是为复杂黑箱模型提供事后解释的主要工具
65%已验证SHAP基于博弈论中的Shapley值，能够量化每个特征对最终预测结果的贡献度，是目前工业界应用最广泛的解释性工具之一
65%待验证LIME通过在输入样本周围生成扰动数据集训练局部线性近似模型来解释单次预测，SHAP基于博弈论Shapley值提供特征归因，两者均为模型无关技术
60%待验证2017年Lundberg与Lee提出SHAP，将Shapley值引入机器学习可解释性领域。
50%待验证提供可解释性信息（如 LIME 或 SHAP 生成的特征归因）能够有效对抗自动化偏见
50%待验证LIME、SHAP、Grad-CAM等基于像素级归因的方法解释单元是像素或区域，而非人类熟悉的语义概念
50%待验证SHAP和LIME都是事后（post-hoc）解释框架，不改变模型本身，而是在预测完成后再生成解释
50%待验证行业内常用的医疗AI可解释性缓解手段包括注意力可视化（Grad-CAM）、SHAP值解释以及'人在回路'设计
50%待验证研究整合了SHAP、分组置换重要性、Boruta和递归特征消除（RFE）四种特征重要性方法，并通过共识排序策略融合结果
50%待验证评估的九种XAI方法涵盖基于梯度的方法（Vanilla Gradient、Integrated Gradients）、基于扰动的方法（LIME、KernelSHAP）和基于传播规则的方法（LRP）
50%待验证LIME、SHAP等主流方法在设计时将最大化局部保真度作为优化目标
50%待验证XGBoost拥有成熟的特征重要性分析、SHAP值解释以及工程化工具链，而基于Transformer的表格基础模型在可解释性方面尚不成熟
50%待验证注意力权重并不等于因果解释，SHAP值在高维场景下计算成本高昂，思维链输出的推理过程与模型内部计算未必一一对应
50%待验证学界发展了SHAP值、LIME等解释方法，但这些工具目前难以提供支撑高风险决策的完整解释路径
50%待验证研究者使用SHAP（Shapley Additive Explanations）分析传统分类器以识别驱动预测决策的关键特征
50%待验证SHAP值（SHapley Additive exPlanations）能提供个体级别的特征贡献解释，与树模型结合良好
50%待验证主流可解释性AI技术包括SHAP（基于博弈论的Shapley值分配）、LIME（局部可解释模型近似）、注意力机制可视化等事后解释方法，以及决策树、逻辑回归、规则列表等天然可解释模型
50%待验证SHAP和LIME是应对算法可解释性挑战的事后解释技术
50%