2026年05月22日
## 要約：
多重共線性下では、特徴量ランキングは信頼性、安定性、完全性の全てを同時に満たすことができないという数学的な証明がなされた。この問題は、DASHのようなアンサンブル平均化によって解決可能だが、完全に信頼できるランキングは存在しない。検証のため、305のLean 4定理を用いた機械的な検証が行われ、公平性監査におけるSHAPの利用にも影響を及ぼす。
---
## 翻訳：
概要：多重共線性がある場合、特徴量ランキングは信頼性、安定性、完全性を同時に満たすことはできません。多重共線性のある特徴量ペアの場合、ランキングはコイン投げと同等になります。本研究では、この不可能さを証明し、4種類のモデルクラスについて定量化し、DASH（多様化されたSHAPの集約）によるアンサンブル平均化によって解決し、305のLean 4定理を用いて機械的に検証しました。完全な帰属設計空間を特徴付けた結果、信頼性-完全性法（不安定で、ランキングが最大で50%の確率で反転する）とDASHのようなアンサンブル法（安定しており、対称的な特徴量について同着を報告する）という2つの方法が存在すること、そしてそのどちらにも該当しない方法は存在しないことを示しました。この不可能さは定量化されており、勾配ブースティングでは帰属比が1/(1-rho^2)で発散し、Lassoでは無限大となり、ランダムフォレストでは収束します。DASHは、偏りがない集約法の中で、パレート最適であることが証明されており、タイトなアンサンブルサイズ式でCramer-Rao分散限界を達成します。77の公開データセットを調査した結果、68%が帰属の不安定性を示しています。条件付きSHAPに切り替えても、特徴量が等価な因果効果を持つ場合、この不可能さを回避することはできません。本研究では、Z検定ワークフローや単一モデルスクリーニングツールといった実用的な診断方法を含み、公平性監査に直接的な影響を及ぼします。SHAPに基づくプロキシ差別監査は、多重共線性下で証明上、信頼できない可能性があります。設計空間定理、診断、そして不可能さは、Lean 4（16の公理から305の定理、エラーなし）を用いて機械的に検証されています。これは、説明可能なAIにおける初の形式的に検証された不可能性の証明です。
[📰 原文はこちら](https://arxiv.org/abs/2605.21492)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。