从局部到全局可解释人工智能：局部回归贡献是否与空间调整SHAP（SA-SHAP）相对应？

《Machine Learning with Applications》：From local to global XAI: Do local regression contributions correspond to spatially adjusted SHAP (SA-SHAP)?

　　

SHapley加性解释（SHapley Additive exPlanations，SHAP）方法源于博弈论，是数据科学与工程中机器学习和深度学习回归问题里量化自变量重要性的常用可解释人工智能（explainable AI，XAI）技术，也已用于地理空间信息科学，将空间维度纳入模型输入可提取空间效应。但有研究者指出，原始坐标虽利于预测，却不宜作为因果因子替代，可能产生位置代理效应。这引出关键问题：间接纳入空间变异的局部回归模型，在多大程度上与此类地理SHAP解释一致？此外，地理分量与非空间特征交互分解后，全局SHAP输出难以解释，当空间编码从原始x–y坐标扩展到高阶表示时更突出。为此，研究人员提出空间调整SHAP（Spatially Adjusted SHAP，SA-SHAP）方法，将各特征与空间分量的交互及其自身贡献结合。研究表明，局部与全局层面，SA-SHAP贡献的解释力均与特征由空间变系数加权的局部回归高度对应。研究人员将SA-SHAP用于多个模拟数据集，并以芝加哥网约车订单为实证，采用XGBoost与多尺度地理加权回归（MGWR）基准，空间编码涵盖Moran特征向量、径向基函数（radial basis functions，RBF）交互基展开与space2vec。实验显示SA-SHAP在不同空间编码下均稳健，从而兼顾捕获空间效应的局部与全局特征重要性度量，为空间计量模型与XAI间提供稳健桥梁。

研究背景方面，地理空间建模常存在强异质性，即预测因子与结果的关系随位置变化，局部回归方法如地理加权回归（Geographically Weighted Regression，GWR）及其多尺度扩展多尺度地理加权回归（MGWR）可提供可解释洞察，其回归系数在空间上增减，结合预测值可得局部贡献。机器学习与深度学习虽提升空间建模性能，但黑箱性质阻碍透明解释。SHapley加性解释（SHAP）源于合作博弈论，能公平分解各特征对预测的贡献，已被用于地理空间科学并直接纳入空间坐标以捕获空间上下文。然而原始坐标被批评为因果因子的位置代理，且地理分量分解后全局SHAP难解释，高阶空间编码加剧该问题。已有研究用SHAP描述空间异质性并尝试由SHAP重构回归系数，但计算繁杂。为此研究人员开展本研究，提出空间调整SHAP（SA-SHAP）以建立SHAP与MGWR的方法论联系，验证其在局部与全局层面与局部回归贡献的对应性，并测试不同空间编码的稳健性。该研究发表于《Machine Learning with Applications》，意义在于为空间计量与XAI提供可解释桥梁。

关键技术方法上，研究人员在二维空间网格生成模拟数据，设定真实空间变系数构造响应变量，设30×30格点，案例含4变量与7变量两组。空间编码采用原始x–y坐标、Moran特征向量、径向基函数（RBF）交互基展开及space2vec四种策略。机器学习侧以XGBoost拟合，基准局部回归用MGWR估计局部系数贡献；XAI侧计算基线SHAP与主效应，再由SHAP交互值将特征–空间交互项聚合至特征主SHAP值得到SA-SHAP贡献。实证采用芝加哥网约车订单数据。评估含局部空间分布对比与全局重要性排序一致性。

研究结果部分，按原文小节叙述。第2节方法论概述框架：模拟数据→空间编码→XGBoost与MGWR并行→SA-SHAP重分配交互值（明确为非因果分解的 Interpretability 方法）→局部全局评估。2.1节数据模拟与模型设置表明，在已知地面真值变系数下，可直比真值、MGWR估计与SHAP系解释。2.1.1节四特征模拟用y(u,v)=B₀(u,v)+∑_j=1⁴B_j(u,v)x_j(u,v)+ε(u,v)，各x_j标准正态独立，B_j为空间函数，证明SA-SHAP局部贡献与MGWR的x_j·B_j对应。七特征模拟扩展变量数，结论同。不同空间编码下，SA-SHAP全局解释力稳健，不与某种编码绑定。芝加哥网约车实证中，XGBoost+SA-SHAP与MGWR在关键驱动（如时段、POI密度、区位）上的局部贡献空间模式一致，全局重要性排序吻合。

讨论与结论翻译总结：研究人员强调，SA-SHAP并非因果分解，而是基于拟合机器学习模型行为与联合分布的 Interpretability 重分配；将预测子–空间交互与主轴SHAP聚合，使特征级空间解释更贴近局部回归贡献。在模拟与芝加哥实证中，SA-SHAP在局部与全局层面均与MGWR贡献强对应，且对Moran特征向量、RBF、space2vec等编码均稳健。该视角可推导兼顾空间效应的局部与全局特征重要性，为空间计量模型与XAI间提供稳健方法论桥梁。