归因不可能：共线性下无特征排序能同时满足忠实性、稳定性和完备性

一篇新的研究论文提出了一个关于特征归因的根本性不可能性定理：当特征共线时，没有任何特征排序方法能同时满足忠实性、稳定性和完备性。该研究由Drake Caraker等人完成，标题为“The Attribution Impossibility: No Feature Ranking Is Faithful, Stable, and Complete Under Collinearity”，并已在arXiv上发布。

研究人员证明，对于共线特征对，排序实际上等同于抛硬币，因为无法区分它们对模型输出的贡献。他们量化了四种模型类中的不可能性：对于梯度提升，归因比率以1/(1-ρ²)形式发散；对于Lasso，甚至趋向无穷；而对于随机森林，虽然收敛但仍有界。这一发现表明，特征归因在共线性情况下存在固有的不确定性，不可忽视。

为了解决这一问题，研究者提出了DASH（多样化SHAP聚合）方法，这是一种集成平均技术，通过聚集多个随机基模型来稳定归因。DASH被证明是帕累托最优的无偏聚合方法，达到了Cramer-Rao方差下界，并具有紧凑的集成大小公式，能够在实践中高效使用。与忠实-完备方法（如SHAP）相比，DASH在共线性下稳定得多，为对称特征报告平局而非随机排序。

该研究系统地表征了完整的归因设计空间：恰好存在两类方法——忠实-完备方法（不稳定，排序翻转率高达50%）和集成方法（如DASH，稳定）。没有方法能超出这一二分法，这意味着任何试图同时满足忠实性和稳定性的方法都会失败。这一分类为从业者提供了清晰的指导。

为了验证定理，研究者使用了Lean 4定理证明器，从16条公理推导出305条定理，且没有未完成的证明。这据称是可解释人工智能中第一个正式验证的不可能性结果，为理论提供了严格的数学基础。

实践方面，该框架包括一个Z检验工作流和单模型筛查工具，用于检测归因不稳定性。在77个公共数据集的调查中，68%的数据集表现出归因不稳定性，表明问题普遍存在。研究还指出，即使切换到条件SHAP，当特征具有相等因果效应时也无法逃避该不可能性。

该定理对公平性审计有直接影响：基于SHAP的代理歧视审计在共线性下被证明是不可靠的，因为归因的不稳定性会导致歧视指控的误判。研究者提供了配套代码和数据集，以促进进一步研究和应用。这一工作不仅揭示了特征归因的理论极限，也为实践者提供了应对策略，是机器学习可解释性领域的重要进展。