Interaktions‑Tensor SHAP: Effiziente Analyse hochdimensionaler Modelle

Eine neue Veröffentlichung auf arXiv präsentiert einen Durchbruch in der Erklärbarkeit von tiefen, hochdimensionalen Machine‑Learning‑Modellen. Der Ansatz namens Interaction Tensor SHAP (IT SHAP) ermöglicht es, komplexe Interaktionen zwischen Merkmalen exakt zu berechnen, ohne die bisher üblichen exponentiellen Rechenkosten.

Traditionelle Shapley‑Wert‑Methoden liefern zwar nachvollziehbare Feature‑Attributions, stoßen jedoch bei höheren Interaktionsordnungen an ihre Grenzen. Der Shapley Taylor Interaction Index (STII) erfordert die Aufzählung aller Teilmengen, was bei moderaten Modellgrößen bereits unpraktisch wird. Tensor‑basierte Varianten wie der Marginal SHAP Tensor (MST) beschränken sich dagegen auf Haupteffekte und können keine höheren Interaktionen erfassen.

IT SHAP löst dieses Problem, indem es Shapley‑Interaktionen als Tensor‑Netzwerk‑Kontraktionen darstellt. Durch die Verwendung einer Tensor‑Train‑Struktur für die Gewichtstensoren mit polynomialen Rängen wird die ursprüngliche exponentielle Komplexität von Θ(4ⁿ) auf polynomialen, polylogarithmischen Rechenaufwand reduziert. Das Verfahren reduziert die Berechnungszeit auf NC²‑Parallelszeit und bleibt dabei axiologisch exakt.

Damit bietet IT SHAP ein einheitliches, theoretisch fundiertes und rechnerisch effizientes Rahmenwerk, das sowohl Haupteffekte als auch höhere Interaktionen in hochdimensionalen Modellen abbildet. Der Ansatz legt die Grundlage für skalierbare Analysewerkzeuge, die in der Praxis komplexe Modelle transparent machen können.