STRIDE: Skalierbare, interpretierbare XAI ohne Subset‑Enumeration

Die neue Methode STRIDE löst zwei häufige Probleme bei erklärbaren KI‑Systemen: die enorme Rechenlast, die entsteht, wenn alle möglichen Feature‑Untergruppen untersucht werden, und die eingeschränkte Aussagekraft, wenn Effekte nur als einzelne Zahlenwert zusammengefasst werden. STRIDE arbeitet stattdessen mit einer orthogonalen Funktionszerlegung in einem Reproducing Kernel Hilbert Space (RKHS) und nutzt ein analytisches Projektionstool, das rekursiv Kernelsymmetrien nutzt. Dadurch entfällt die explizite Aufzählung von Feature‑Sets.

In tabellarischen Experimenten ist STRIDE modellunabhängig, liefert sowohl lokale als auch globale Erklärungen und stützt sich auf theoretische Resultate zur Orthogonalität und L²‑Konvergenz. Auf öffentlichen Benchmarks zeigte die Methode Geschwindigkeitsgewinne von 0,6‑ bis 9,7‑fach im Vergleich zu TreeSHAP, mit einem Median von etwa 3‑fach über zehn Datensätzen. Gleichzeitig blieb die Erklärungsgenauigkeit hoch (R² zwischen 0,81 und 0,999) und die Rangordnung der Features stimmte in den meisten Fällen überein.

STRIDE ergänzt klassische Attributionsmethoden, indem es einen strukturierten Funktions‑Ansatz bietet. Dadurch können neue Diagnostik‑Tools wie „Component Surgery“ eingesetzt werden, um den Einfluss spezifischer Interaktionen quantitativ zu bewerten. Diese Fortschritte machen STRIDE zu einer vielversprechenden Ergänzung für die Entwicklung skalierbarer und interpretierbarer KI‑Modelle.