摘要
在表格回归中实现可解释的特征组融合仍然面临挑战，因为强大的预测模型往往缺乏明确的组级归因、复杂性控制以及归因稳定性保障。本文提出了基于SHAP加权特征融合与残差混合的方法（SWFF-R），这是一种封闭形式的凸融合框架，它将全特征预测器与经过SHAP加权处理的组特定专家模型相结合。组权重是通过對组级TreeSHAP重要性值进行温度控制的softmax变换得到的，而残差混合系数则通过验证集来选择，以此保持预测的稳健性。为避免术语混淆，需要强调的是，这些权重来源于全特征模型的聚合TreeSHAP重要性得分，而非将每个特征组视为独立参与者后重新计算的组级Shapley值；因此，这种方法更恰当的描述应是基于TreeSHAP重要性加权的特征组融合。在固定的融合权重和明确的中心化处理下，所提出的归因方法满足所构建的中心化加法组分解的Shapley一致性特性。我们为SWFF-R给出了Rademacher复杂度上界，在简化的线性子类上进行了互补的最小最大下界计算，并确立了温度搜索以及固定系数Lipschitz稳定性的保障条件。在七个真实的表格回归数据集以及一个规模为500K的合成数据集上的实验表明，SWFF-R能够保持预测性能，在多个数据集上降低了点估计的RMSE值，并提供了稳定的组级归因结果。总体而言，SWFF-R为表格回归中的可解释特征组融合提供了一个有理论依据的框架。
