Il framework GRALIS unifica i metodi di attribuzione XAI tramite la rappresentazione di Riesz

Un nuovo framework matematico noto come GRALIS (Gradient-Riesz Averaged Locally-Integrated Shapley) introduce una rappresentazione canonica coesiva per le tecniche di attribuzione lineare nell'IA spiegabile. Documentato su arXiv:2605.05480, questo framework impiega il Teorema di Rappresentazione di Riesz per dimostrare che ogni funzionale di attribuzione additivo, lineare e continuo su L^2(Q,mu) ha una forma canonica distinta (Q, w, Delta). Questo framework comprende metodi come SHAP, Integrated Gradients, LIME e GradCAM linearizzato, escludendo funzionali non lineari come il GradCAM standard o le mappe di attenzione. GRALIS presenta sette teoremi formali che garantiscono proprietà come la forma canonica necessaria, la completezza esatta e la convergenza Monte Carlo O(1/sqrt(m))+O(1/k), tra le altre, facilitando confronti formali tra metodi precedentemente non collegati.