XAI 방법에서 의존 기능의 기여 특성 분석

설명 가능한 인공지능(XAI)은 기계 학습 모델이 작동하고 특정 결과에 도달하는 방법을 이해하는 데 도움을 주는 도구를 제공합니다. 이는 모델의 해석 가능성을 높이고 모델을 더 신뢰할 수 있고 투명하게 만듭니다. 이러한 맥락에서, 많은 XAI 방법이 제안되었으며 SHAP과 LIME이 가장 인기가 있습니다. 그러나 제안된 방법들은 기계 학습 모델에서 사용되는 예측 변수가 독립적이라고 가정하지만 이는 일반적으로 반드시 사실이 아닙니다. 이러한 가정은 유익한 예측 변수 목록과 같은 XAI 결과의 강건성에 그림자를 드리웁니다. 여기서 우리는 모든 XAI 기능 순위 방법의 결과를 수정하여 예측 변수 간의 의존성을 고려할 수 있도록 하는 간단하지만 유용한 프록시를 제안합니다. 제안된 접근 방식은 모델에 구애받지 않으며 공선성이 있을 때 모델 내의 각 예측 변수의 영향을 계산하기 간단한 이점이 있습니다.