📊 statistics

SAILS: Surrogate-based Analysis of Interactions via Local Effect Smooths

यह शोध पत्र SAILS को प्रस्तुत करता है, जो एक मॉडल-अज्ञेय (model-agnostic) ढांचा है जो स्थानीय प्रभावों पर फिट किए गए व्याख्यात्मक सामान्यीकृत योगात्मक मॉडल (generalized additive model) सरोगेट्स का उपयोग करता है ताकि न केवल युग्मवार फीचर इंटरैक्शन का पता लगाया जा सके, बल्कि उनके कार्यात्मक रूपों को वर्गीकृत किया जा सके और अनुकूलित दृश्य (tailored visualizations) प्रदान किए जा सकें, जिससे मौजूदा व्याख्यात्मक एआई (explainable AI) विधियों के एक प्रमुख अंतराल को संबोधित किया जा सके।

मूल लेखक: Timo Heiß, Julia Herbinger, Bernd Bischl, Giuseppe Casalicchio

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Timo Heiß, Julia Herbinger, Bernd Bischl, Giuseppe Casalicchio

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट, लेकिन रहस्यमय "ब्लैक बॉक्स" मशीन है जो भविष्यवाणियाँ करती है। शायद यह भविष्यवाणी करती है कि एक शहर में कितनी बिजली का उपयोग होगा, या एक मरीज किसी दवा के प्रति कैसी प्रतिक्रिया दे सकता है। आप जानते हैं कि मशीन अच्छा काम करती है, लेकिन आपको पता ही नहीं है कि वह कैसे सोचती है। यह एक ऐसे शेफ की तरह है जो स्वादिष्ट स्टू तो बनाता है लेकिन आपको रेसिपी बताने से मना कर देता है।

मशीन लर्निंग की दुनिया में, "रेसिपी" में अक्सर इंटरेक्शन (interactions) शामिल होते हैं। इसका मतलब है कि मशीन केवल एक सामग्री (जैसे "तापमान") को अलग से नहीं देखती; बल्कि यह देखती है कि सामग्रियाँ आपस में कैसे मिलती हैं (जैसे "तापमान" + "दिन का समय")। यदि गर्मी है और शाम का समय है, तो मशीन उच्च ऊर्जा उपयोग (जैसे एयर कंडीशनिंग के लिए) की भविष्यवाणी कर सकती है। लेकिन यदि गर्मी है और सुबह का समय है, तो भविष्यवाणी बिल्कुल अलग हो सकती है।

समस्या यह है कि ब्लैक बॉक्स के अंदर झांकने के लिए उपयोग किए जाने वाले अधिकांश उपकरण एक धुंधली फोटो देखने जैसे हैं। वे यह तो बता सकते हैं कि दो सामग्रियाँ आपस में इंटरैक्ट कर रही हैं, या वे एक कठिन 3D ग्राफ दिखा सकते हैं जिसे पढ़ना मुश्किल है। वे स्पष्ट रूप से यह नहीं समझा सकते कि वह इंटरैक्शन वास्तव में कैसा दिखता है।

Sails से मिलिए: "रेसिपी डिकोडर"

यह पेपर Sails नामक एक नए टूल का परिचय देता है (Surrogate-based Analysis of Interactions via Local effect Smooths)। Sails को एक जासूस की तरह समझें जो केवल यह नहीं कहता कि "हे, ये दो चीजें आपस में जुड़ी हुई हैं!" बल्कि यह वास्तव में एक स्पष्ट मानचित्र बनाता है कि वे कैसे संबंधित हैं।

Sails कैसे काम करता है, इसके लिए एक सरल उपमा यहाँ दी गई है:

1. "स्लाइस एंड डाइस" (टुकड़े करने की) रणनीति

कल्पना कीजिए कि ब्लैक बॉक्स मशीन एक विशाल, जटिल केक है। Sails पूरे केक को एक साथ खाने की कोशिश नहीं करता। इसके बजाय, यह एक चाकू लेता है और एक विशिष्ट सामग्री (मान लीजिए "फोकस सामग्री", जैसे "दिन का समय") के आधार पर केक को पतली, प्रबंधनीय परतों में काट देता है।

प्रत्येक स्लाइस (या समय अंतराल) के लिए, Sails पूछता है: "यदि मैं 'दिन का समय' को स्थिर रखूँ, तो अन्य सामग्रियों में बदलाव करने पर भविष्यवाणी कैसे बदलती है?"

2. "सरोगेट डिटेक्टिव" (प्रतिरूप जासूस)

प्रत्येक स्लाइस के लिए, Sails एक छोटा, सरल और पारदर्शी मॉडल (एक "सरोगेट") बनाता है जो उस विशिष्ट स्लाइस के लिए ब्लैक बॉक्स के व्यवहार की नकल करता है। यह एक स्थानीय गाइड को नियुक्त करने जैसा है जो पूरे पर्वत श्रृंखला का मानचित्र बनाने के बजाय केवल एक छोटी पहाड़ी के इलाके को समझाने के लिए है।

ये गाइड GAMs (Generalized Additive Models) नामक गणितीय मॉडल हैं। ये विशेष हैं क्योंकि इन्हें इंसानों द्वारा पढ़ना आसान है। वे आपको बता सकते हैं कि संबंध एक सीधी रेखा है, एक वक्र (curve) है, या एक जटिल घुमाव है।

3. तीन महाशक्तियाँ

एक बार जब Sails इन स्थानीय गाइडों को इकट्ठा कर लेता है, तो वह तीन मुख्य कार्य करता है:

इंटरैक्शन का पता लगाना ("क्या यह वहाँ है?" परीक्षण):
Sails यह जाँचता है कि क्या स्थानीय गाइड कुछ दिलचस्प कर रहे हैं। यदि विभिन्न स्लाइस के लिए गाइड बिल्कुल एक जैसे दिखते हैं, तो कोई इंटरैक्शन नहीं है। लेकिन यदि गाइड अलग-अलग स्लाइस के आधार पर अपना आकार बदलते हैं, तो Sails इसे चिह्नित करता है: "अहा! ये दो सामग्रियाँ निश्चित रूप से इंटरैक्ट कर रही हैं!" यह सुनिश्चित करने के लिए कि यह केवल शोर (noise) नहीं है, यह एक सांख्यिकीय "श्रवण परीक्षण" (significance test) का उपयोग करता है।
आकार को वर्गीकृत करना ("यह कैसा दिखता है?" परीक्षण):
Sails केवल "वे इंटरैक्ट करते हैं" पर नहीं रुकता। वह पूछता है, "यह किस प्रकार का इंटरैक्शन है?"
- लीनियर (Linear): क्या यह एक सरल, सीधी रेखा वाला संबंध है? (जैसे, "जैसे-जैसे गर्मी बढ़ती है, हम हमेशा एसी का अधिक उपयोग करते हैं।")
- प्रोडक्ट-सेपरेबल (Product-Separable): क्या यह एक ऐसा संबंध है जहाँ एक सामग्री दूसरी को केवल ऊपर या नीचे ले जाती है? (जैसे, "तापमान का प्रभाव वही आकार का है, बस यह हवा के कारण होने वाली स्थिति से गुणा हो जाता है।")
- कॉम्प्लेक्स/नॉन-सेपरेबल (Complex/Non-Separable): क्या यह एक उलझा हुआ, अनूठा घुमाव है जहाँ दो सामग्रियाँ मिलकर कुछ पूरी तरह से नया बनाती हैं?
  Sails यह मापने के लिए गणित का उपयोग करता है कि डेटा इन आकारों में कितनी अच्छी तरह फिट बैठता है, जिससे एक स्कोर मिलता है जैसे "90% संभावना है कि यह लीनियर है।"
कहानी को विज़ुअलाइज़ करना ("मानचित्र बनाना"):
श्रेणी के आधार पर, Sails सबसे अच्छा संभव चित्र बनाता है:
- यदि यह लीनियर है, तो यह एक सरल रेखा खींचता है।
- यदि यह प्रोडक्ट-सेपरेबल है, तो यह एक ऐसा आकार बनाता है जो दिखाता है कि एक सामग्री दूसरी को कैसे स्केल करती है।
- यदि यह कॉम्प्लेक्स है, तो यह वक्रों (curves) की एक श्रृंखला खींचता है (प्रत्येक स्लाइस के लिए एक) जो दिखाते हैं कि पूरे रेंज में यह इंटरैक्शन कैसे बदलता है। यह पुराने समय के भ्रमित करने वाले 3D ग्राफों से बचता है।

वास्तविक दुनिया का उदाहरण: शहर का पावर ग्रिड

लेखकों ने मोरक्को के टेटुआन में बिजली की खपत के बारे में एक वास्तविक डेटासेट पर Sails का परीक्षण किया। वे समझना चाहते थे कि "सौर विकिरण" (धूप) अन्य कारकों जैसे "दिन का समय" और "तापमान" के साथ कैसे इंटरैक्ट करता है।

उन्होंने क्या पाया: Sails ने खुलासा किया कि यह इंटरैक्शन केवल एक सरल नियम नहीं था। उदाहरण के लिए, बादल वाले दिनों में (कम विकिरण), दिन के दौरान बिजली का उपयोग बढ़ गया क्योंकि लोगों ने लाइटें जलाईं। लेकिन धूप वाले दिनों में, उच्च विकिरण केवल शाम के समय मायने रखता था जब लोग घर वापस आते थे।
परिणाम: Sails ने इन पैटर्न को दिखाने के लिए स्पष्ट, रंगीन वक्र खींचे। इसने दिखाया कि ब्लैक बॉक्स मॉडल मौसम और समय के जटिल मिश्रण के आधार पर बिजली के उपयोग के बारे में बहुत तार्किक, मानव-समझने योग्य निर्णय ले रहा था।

सीमाएँ

पेपर ईमानदार है कि Sails कहाँ लड़खड़ा सकता है:

सह-संबंधित सामग्रियाँ (Correlated Ingredients): यदि दो सामग्रियाँ लगभग हमेशा एक जैसी होती हैं (जैसे, कुछ मौसमों में "तापमान" और "दिन का समय"), तो Sails के लिए उनके प्रभावों को पूरी तरह से अलग करना कठिन हो जाता है।
जटिल मिश्रण: यदि तीन या अधिक सामग्रियाँ एक साथ इंटरैक्ट कर रही हैं (एक "ट्रिपल थ्रेट"), तो Sails वर्तमान में जोड़ों (pairs) के लिए डिज़ाइन किया गया है, इसलिए यह कुछ बारीकियों को मिस कर सकता है।

निचोड़

Sails एक नया टूल है जो "एक्सप्लेनेबल एआई" (Explainable AI) के टूलबॉक्स में एक खाली जगह को भरता है। केवल यह बताने के बजाय कि एक मशीन लर्निंग मॉडल जटिल इंटरैक्शन का उपयोग कर रहा है, Sails पर्दा हटाकर आपको दिखाता है कि वे इंटरैक्शन वास्तव में कैसे दिखते हैं, जिससे एक ब्लैक बॉक्स एक पारदर्शी, समझने योग्य रेसिपी में बदल जाता है।

तकनीकी सारांश: सेल्स (Sails) – लोकल इफेक्ट स्मूथ्स के माध्यम से इंटरैक्शन का सरोगेट-आधारित विश्लेषण

समस्या विवरण (Problem Statement)

फीचर इंटरैक्शन जटिल मशीन लर्निंग (ML) मॉडलों में प्रेडिक्टिव पावर के प्राथमिक चालक होते हैं, फिर भी मौजूदा व्याख्या योग्य एआई (XAI) विधियां उन्हें पूरी तरह से समझाने में संघर्ष करती हैं। वर्तमान दृष्टिकोण आमतौर पर या तो निम्नलिखित पर ध्यान केंद्रित करते हैं:

डिटेक्शन और क्वांटिफिकेशन (पहचान और मात्रा निर्धारण): H-सांख्यिकी (H-statistic) या शापली इंटरैक्शन इंडेक्स (Shapley interaction indices) जैसी विधियां यह पहचानती हैं कि एक इंटरैक्शन मौजूद है और उसकी शक्ति को मापती हैं, लेकिन वे उसके कार्यात्मक रूप (functional form) को प्रकट नहीं करती हैं।
प्रतिबंधित विज़ुअलाइज़ेशन (सीमित दृश्यता): 2D-ALE (एक्युमुलेटेड लोकल इफेक्ट्स) या REPID (रीजनल इफेक्ट्स) जैसी विधियां इंटरैक्शन को विज़ुअलाइज़ करती हैं, लेकिन अक्सर कठिन-से-समझने योग्य 3D प्लॉट्स उत्पन्न करती हैं, निरंतर विषमता (continuous heterogeneity) को पकड़ने में विफल रहती हैं, या विशिष्ट इंटरैक्शन प्रकारों (जैसे, प्रोडक्ट-सेपरेबल) तक सीमित होती हैं।

XAI टूलबॉक्स में एक एकीकृत, मॉडल-अग्नोस्टिक फ्रेमवर्क के लिए एक उल्लेखनीय अंतर है जो युग्व (pairwise) इंटरैक्शन का पता लगा सके, उनके कार्यात्मक रूप (रैखिक, प्रोडक्ट-सेपरेबल, या नॉन-प्रोडक्ट-सेपरेबल) को वर्गीकृत कर सके, और प्रत्येक प्रकार के लिए अनुकूलित, व्याख्या योग्य विज़ुअलाइज़ेशन प्रदान कर सके।

कार्यप्रणाली: सेल्स (Sails) फ्रेमवर्क

सेल्स (Sails - Surrogate-based Analysis of Interactions via Local effect Smooths) एक मॉडल-अग्नोस्टिक फ्रेमवर्क है जिसे एक ब्लैक-बॉक्स मॉडल के स्थानीय प्रभावों (local effects) पर व्याख्या योग्य जनरलाइज्ड एडिटिव मॉडल (GAM) सरोगेट्स फिट करके, एक 'फीचर ऑफ इंटरेस्ट' (FOI) के युग्व इंटरैक्शन का विश्लेषण करने के लिए डिज़ाइन किया गया है। यह फ्रेमवर्क दो क्रमिक चरणों के बाद तीन एकीकृत क्षमताओं के साथ संचालित होता है।

1. स्थानीय प्रभावों का अनुमान (Estimation of Local Effects)

सेल्स, ALE (एक्युमुलेटेड लोकल इफेक्ट्स) डेरिवेटिव्स की लोकल डिकम्पोजेबिलिटी का लाभ उठाता है। एक ब्लैक-बॉक्स मॉडल $\hat{f}$ के लिए, एक फीचर $x_j$ के संबंध में स्थानीय प्रभाव को $h(x_j, x_{-j}) = \partial_j \hat{f}(x_j, x_{-j})$ के रूप में परिभाषित किया गया है।

इंटरवल पार्टीशनिंग (अंतराल विभाजन): FOI ( $X_j$ ) को $K$ अंतरालों में विभाजित किया जाता है।
फाइनाइट डिफरेंसेस (परिमित अंतर): अंतराल की चौड़ाई द्वारा सामान्यीकृत, मॉडल भविष्यवाणियों के फाइनाइट डिफरेंसेस का उपयोग करके प्रत्येक अंतराल के भीतर अवलोकनों के लिए स्थानीय प्रभावों का अनुमान लगाया जाता है।
सैद्धांतिक आधार: फंक्शनल ANOVA (FANOVA) डिकम्पोजिशन के अनुसार, यदि $X_j$ स्थिर है, तो स्थानीय प्रभावों में भिन्नता केवल $X_j$ से जुड़े इंटरैक्शन से उत्पन्न होती है। अतः, अन्य फीचर्स के विरुद्ध इन स्थानीय प्रभावों में विषमता (heterogeneity), इंटरैक्शन का संकेत देती है।

2. GAM सरोगेट फिटिंग

FOI के प्रत्येक अंतराल $k$ के लिए, सेल्स एक अलग GAM सरोगेट मॉडल फिट करता है:

इनपुट: शेष फीचर्स $X_{-j}$ ।
टारगेट: अनुमानित स्थानीय प्रभाव $\hat{h}^{(i)}_k$ ।
संरचना: $\hat{s}^{(k)}(x_{-j}) = \hat{s}^{(k)}_0 + \sum_{l \neq j} \hat{s}^{(k)}_l(x_l)$ ।
व्याख्या: स्मूथ टर्म्स $\hat{s}^{(k)}_l$ का अनुमान है कि वे सेंट्रिंग कांस्टेंट तक इंटरैक्शन घटकों ( $\partial_j g_{jl}$ ) के आंशिक डेरिवेटिव्स का सन्निकटन करेंगे।

3. एकीकृत क्षमताएं (Integrated Capabilities)

फिट किए गए सरोगेट्स के आधार पर, सेल्स तीन कार्य करता है:

(i) इंटरैक्शन डिटेक्शन (इंटरैक्शन की पहचान)

सेल्स प्रत्येक अंतराल के भीतर प्रत्येक फीचर $X_l$ के लिए स्मूथ टर्म्स की सार्थकता की जांच करने के लिए बेसिस कोएफिशिएंट्स पर F-टेस्ट का उपयोग करता है।

एग्रीगेशन (एकत्रीकरण): चूंकि अंतरालों के बीच परीक्षण निर्भर होते हैं, इसलिए वैश्विक सार्थकता माप प्रदान करने के लिए p-वैल्यू को हारमोनिक मीन p-वैल्यू का उपयोग करके एकत्रित किया जाता है।
करेक्शन (सुधार): मल्टीपल कंपैरिजन के लिए बेन्जामिनी-होचबर्ग (Benjamini-Hochberg) फॉल्स डिस्कवरी रेट (FDR) सुधार लागू किया जाता है।
ह्यूरिस्टिक (अनुमानी विधि): स्थानीय प्रभाव गणनाओं में एडिटिव नॉइज़ की कमी और पेनलाइज्ड स्प्लाइन्स के उपयोग के कारण, परिणामी p-वैल्यू को सटीक सांख्यिकीय मानों के बजाय वैश्विक इंटरैक्शन सार्थकता के लिए एक ह्यूरिस्टिक माना जाता है।

(ii) इंटरैक्शन कैटेगराइजेशन (इंटरैक्शन का वर्गीकरण)

सेल्स स्मूथ टर्म्स से प्राप्त $R^2$ -आधारित ह्यूरिस्टिक उपायों का उपयोग करके पता लगाए गए इंटरैक्शन को तीन प्रकारों में वर्गीकृत करता है:

लीनियर (रैखिक): यदि स्मूथ टर्म्स $\hat{s}^{(k)}_l$ अंतरालों में (एक कांस्टेंट तक) समान हैं, तो इंटरैक्शन FOI के संबंध में रैखिक है। इसे $R^2_{lin}$ द्वारा मापा जाता है, जो पूल्ड इवैल्यूएशन पर एक सिंगल कर्व फिट करता है।
प्रोडक्ट-सेपरेबल (गुणन-पृथक): यदि स्मूथ टर्म्स एक ही आकार साझा करते हैं लेकिन केवल एक स्केलिंग फैक्टर द्वारा भिन्न होते हैं, तो इंटरैक्शन प्रोडक्ट-सेपरेबल है ( $g_{jl}(x_j, x_l) = \phi_j(x_j)\phi_l(x_l)$ )। इसे $R^2_{prod}$ द्वारा मापा जाता है, जो एक रेफरेंस पॉइंट पर स्मूथ टर्म्स के अनुपातों पर एक सिंगल कर्व फिट करता है।
नॉन-प्रोडक्ट-सेपरेबल (गैर-गुणन-पृथक): यदि इनमें से कोई भी स्थिति लागू नहीं होती है, तो इसे जनरल/नॉन-सेपरेबल के रूप में वर्गीकृत किया जाता है।

(iii) टेलर्ड विज़ुअलाइज़ेशन (अनुकूलित दृश्यता)

वर्गीकरण के आधार पर, सेल्स विशिष्ट विज़ुअलाइज़ेशन उत्पन्न करता है:

लीनियर: यूनिवेरिएट स्मूथर $\phi_l(x_l)$ को विज़ुअलाइज़ करता है।
प्रोडक्ट-सेपरेबल: रेशियो-आधारित स्मूथर के माध्यम से $\phi_l(x_l)$ के आकार को विज़ुअलाइज़ करता है।
जनरल: नॉन-सेपरेबल इंटरैक्शन के लिए, सेल्स FANOVA बाधाओं को लागू करने के लिए डबल सेंट्रिंग लागू करते हुए, इंटरैक्शन फंक्शन $g_{jl}$ को पुनर्गठित करने के लिए अंतरालों में $\hat{s}^{(k)}_l$ को एकीकृत करता है। यह एक 2D विज़ुअलाइज़ेशन प्रदान करता है कि इंटरैक्शन प्रभाव FOI के विभिन्न अंतरालों के लिए इंटरैक्टिंग फीचर के साथ कैसे बदलता है।

एम्पिरिकल इवैल्यूएशन और परिणाम (Empirical Evaluation and Results)

फ्रेमवर्क को नियंत्रित सिमुलेशन और एक वास्तविक दुनिया के अनुप्रयोग के माध्यम से मान्य किया गया।

सिमुलेशन

प्रयोग सिंथेटिक डेटा पर किए गए जिसमें विभिन्न कोरिलेशन स्ट्रक्चर और इंटरैक्शन ऑर्डर (लीनियर, प्रोडक्ट-सेपरेबल, नॉन-प्रोडक्ट-सेपरेबल, और हायर-ऑर्डर) थे।

डिटेक्शन: सेल्स ने स्वतंत्र और सह-संबंधित (correlated) दोनों फीचर्स के तहत कम फॉल्स पॉजिटिव रेट के साथ इंटरैक्टिंग फीचर्स की सही पहचान की। यह मजबूत कोरिलेशन के साथ भी मजबूत बना रहा, और शोर (noise) फीचर्स को नॉन-इंटरेक्टिंग के रूप में सही ढंग से पहचाना।
कैटेगराइजेशन: स्वतंत्र फीचर्स के तहत, सेल्स ने लीनियर, प्रोडक्ट-सेपरेबल और नॉन-प्रोडक्ट-सेपरेबल इंटरैक्शन के बीच पूर्ण रूप से भेद किया।
- सीमाएँ: स्ट्रॉन्ग कोरिलेशन (सेंटरिंग शिफ्ट के कारण) और हायर-ऑर्डर इंटरैक्शन (सरोगेट मिसस्पेसिफिकेशन के कारण) के तहत $R^2_{prod}$ खराब हो गया। $R^2_{lin}$ अधिक मजबूत था लेकिन नॉन-लीनियर हायर-ऑर्डर टर्म्स के साथ थोड़ा कम हो गया।
विज़ुअलाइज़ेशन:
- लीनियर और प्रोडक्ट-सेपरेबल विज़ुअलाइज़ेशन स्वतंत्रता के तहत ग्राउंड ट्रुथ के करीब थे।
- जनरल इंटीग्रेशन-आधारित विज़ुअलाइज़ेशन ने स्वतंत्रता के तहत जटिल इंटरैक्शन शेप्स (जैसे, साइन वेव्स) को सफलतापूर्वक रिकवर किया।
- कोरिलेशन और हायर-ऑर्डर इंटरैक्शन के तहत, विज़ुअलाइज़ेशन में आर्टिफैक्ट्स दिखे या सपोर्ट कम हुआ, लेकिन वे सूचनात्मक अनुमान बने रहे।

रियल-वर्ल्ड एप्लीकेशन (वास्तविक दुनिया का अनुप्रयोग)

सेल्स को टेतुआन, मोरक्को में बिजली की खपत की भविष्यवाणी करने वाले एक XGBoost मॉडल पर लागू किया गया, जिसमें general_diffuse_flows (सौर विकिरण) को FOI के रूप में उपयोग किया गया।

परिणाम: फ्रेमवर्क ने Hour, Temperature, UnixTime, और WindSpeed के साथ इंटरैक्शन की पहचान की।
व्याख्या:
- Hour: इसने दिखाया कि मध्यम विकिरण स्तरों के साथ शाम की खपत बढ़ती है (डस्क लाइटिंग), जबकि कम विकिरण का संबंध दिन की खपत (ओवरकास्ट लाइटिंग) से है।
- Temperature: इसने सिनर्जिस्टिक प्रभावों को दिखाया जहाँ कम रेडिएशन + कम तापमान (हीटिंग + लाइटिंग) और उच्च रेडिएशन + उच्च तापमान (कूलिंग) दोनों ही खपत बढ़ाते हैं।
- WindSpeed: इसने एक लगभग प्रोडक्ट-सेपरेबल रूप प्रदर्शित किया, जहाँ कर्व्स विभिन्न अंतरालों में एक सुसंगत आकार साझा करते हैं।
- सरोगेट फिट: GAM सरोगेट्स का औसत इन-सैंपल $R^2$ 0.96 था, जो दर्शाता है कि उन्होंने स्थानीय प्रभाव भिन्नता के अधिकांश हिस्से को कैप्चर किया।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि सेल्स केवल इंटरैक्शन डिटेक्शन से आगे बढ़कर इंटरैक्शन के कार्यात्मक रूप को चरित्रित करने की ओर बढ़कर XAI टूलबॉक्स में एक महत्वपूर्ण अंतर को भरता है।

मॉडल-अग्नोस्टिक: यह किसी भी ब्लैक-बॉक्स मॉडल के साथ काम करता है।
एकीकृत वर्कफ़्लो: यह डिटेक्शन, कैटेगराइजेशन और विज़ुअलाइज़ेशन को एक एकल पाइपलाइन में जोड़ता है।
व्याख्यात्मकता: इंटरैक्शन को वर्गीकृत करके, यह जेनेरिक 3D कंटूर प्लॉट्स की तुलना में अधिक व्याख्या योग्य, अनुकूलित विज़ुअलाइज़ेशन प्रदान करता है।
मजबूती (Robustness): यह फीचर कोरिलेशन की उपस्थिति में भी इंटरैक्शन का पता लगाने में अपनी प्रभावशीलता प्रदर्शित करता है, जो वास्तविक दुनिया के डेटा में एक आम चुनौती है।

सीमाएँ और भविष्य का कार्य (Limitations and Future Work)

लेखक कई सीमाओं को स्वीकार करते हैं:

कार्य का दायरा: वर्तमान में रिग्रेशन कार्यों तक सीमित है; क्लासिफिकेशन में विस्तार भविष्य का कार्य है।
सैद्धांतिक गारंटी: यह धारणा कि स्मूथ टर्म्स FANOVA आंशिक डेरिवेटिव का सन्निकटन करते हैं, एक कठोर सैद्धांतिक प्रमाण की कमी है।
कोरिलेशन संवेदनशीलता: कैटेगराइजेशन उपाय ( $R^2_{prod}$ ) मजबूत फीचर कोरिलेशन के प्रति संवेदनशील हैं।
इंटरैक्शन ऑर्डर: फ्रेमवर्क युग्व (pairwise) इंटरैक्शन मानता है; हायर-ऑर्डर इंटरैक्शन सरोगेट मिसस्पेसिफिकेशन और आर्टिफैक्ट्स का कारण बन सकते हैं।
भविष्य की दिशाएं: हायर-ऑर्डर इंटरैक्शन के लिए GA2M सरोगेट्स का उपयोग करने, अन्य लोकल इफेक्ट मेथड्स (जैसे, ICE, Shapley values) पर पद्धति को लागू करने, और क्षेत्रीय प्रभावों के लिए GADGET के साथ दृष्टिकोण को एकीकृत करने जैसे संभावित विस्तार शामिल हैं।