表格基础模型的实时解释

摘要

可解释性是科学机器学习的核心，因为理解模型为何进行预测可以生成假设并得到验证。虽然表格基础模型表现出强大的性能，但现有的解释方法（例如 SHAP）计算成本高昂，限制了交互式探索。我们引入了 ShapPFN，这是一种基础模型，它将 Shapley 值回归直接集成到其架构中，在一次前向传递中生成预测和解释。在标准基准测试中，ShapPFN 实现了具有竞争力的性能，同时生成高保真解释（$R^2$=0.96，余弦=0.99），速度比 KernelSHAP 快 1000 倍以上（0.06 秒 vs 610 秒）。我们的代码位于 https://github.com/kunumi/ShapPFN