计测学院博士研究生卢成在国际知名期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》发表论文

近日，我校计量测试与仪器学院博士研究生卢成在中科院SCI一区TOP期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（IF=18.6）上发表了题为“Energy-Based Model for Accurate Estimation of Shapley Values in Feature Attribution”的研究成果，该论文依托物联感知和计量校准团队，联合杭州师范大学。我校作为第一作者单位，卢成作为论文第一作者，导师为蔡晋辉教授，论文链接：https://doi.org/10.1109/TPAMI.2025.3626404。 

Shapley值是可解释人工智能（XAI）中常用的工具之一，它能够基于严格的数学原理，对输入特征在模型输出中的贡献进行量化归因。然而，Shapley值的估计需要捕捉所有特征组合之间的条件依赖关系，这在复杂数据环境下具有较大挑战。本文提出了一种基于能量模型的Shapley值估计方法——EmSHAP（Energy-based model for Shapley value estimation），用于在给定其余特征的条件下，精确估计任意特征子集对应的Shapley贡献函数期望。借助能量模型（Energy-based Model, EBM）在建模复杂分布方面的能力，EmSHAP有效地解决了条件概率估计问题。为进一步提升估计精度，本文引入了基于GRU（Gated Recurrent Unit）的配分函数估计方法。该GRU网络以轻量化的参数结构捕获长程依赖关系，并将输入特征映射到潜在空间中，以缓解特征输入顺序的影响。此外，本文还引入了一种动态掩码机制，通过逐步提高掩码率进一步增强模型的鲁棒性与精度。理论误差界分析及四个案例研究的实验结果表明，与多种竞争方法相比，EmSHAP在精度与可扩展性方面均具有显著优势。

该工作得到了得到了浙江省自然科学基金白马湖实验室联合基金（LBMHZ25F03001）、浙江省“领雁+X”科技专项（2025C01022）、国家自然科学基金（12271133，U21A20426）以及浙江省自然科学基金重点项目（LZ23A010002）的资助。