RoSHAP: A Distributional Framework and Robust Metric for Stable Feature Attribution
RoSHAP: 稳定特征归因的分布框架与鲁棒度量
🧭 稳定特征归因与特征选择
通过bootstrap估计SHAP分布并证明渐近正态性，提出同时奖励活跃、高影响且稳定特征的鲁棒排序度量RoSHAP
📌 工作参考价值（4 点）
- 推荐系统特征工程中，用RoSHAP替代单次SHAP排序，通过bootstrap多次计算均值与标准差，筛选出稳定且强效的特征，减少随机种子/数据划分带来的特征排名波动，提升特征选择的鲁棒性。
- 在模型迭代或AB测试场景下，定期计算特征的RoSHAP分布，监控特征重要性是否发生漂移，及时发现数据分布变化或特征失效问题。
- 对Agent决策解释，借鉴分布框架思想，对多轮推理或不同环境下的归因结果进行聚合，避免单次解释的随机性误导，增强解释可靠性。
- 工程实现上，可将bootstrap SHAP计算与训练pipeline解耦，仅需少量额外计算即可获得特征稳定性指标，用于自动化特征筛选与模型压缩。