Surrogatmodell
Ein einfaches, interpretierbares Modell, das ein komplexes Black-Box-Modell approximiert um dessen Entscheidungen zu erklären.
Surrogatmodelle erklären Black-Box-KI durch Training eines einfachen, interpretierbaren Modells auf den Vorhersagen des komplexen Modells.
Erklärung
Surrogatmodelle trainieren ein interpretables Modell (z.B. Entscheidungsbaum) auf den Vorhersagen des Black-Box-Modells. LIME nutzt lokale Surrogate, globale Surrogate approximieren das gesamte Modell.
Relevanz für Marketing
Surrogatmodelle sind die Basis von LIME und ermöglichen Erklärbarkeit ohne Zugang zu Modell-Internals.
Häufige Fallstricke
Surrogat approximiert nur – kann das Black-Box-Modell nicht perfekt abbilden. Treue (Fidelity) muss gemessen werden.
Entstehung & Geschichte
Das Konzept stammt aus der Simulationsoptimierung der 1970er. Ribeiro et al. nutzten 2016 lokale Surrogatmodelle in LIME. Globale Surrogate wurden in der XAI-Forschung als Alternative zu SHAP populär.
Abgrenzung & Vergleiche
Surrogatmodell vs. SHAP
SHAP berechnet exakte Feature-Beiträge mit Shapley-Werten; Surrogatmodelle approximieren das Verhalten mit einem einfachen Modell.
Surrogatmodell vs. Distillation
Knowledge Distillation trainiert ein Modell zur Vorhersage; Surrogatmodelle werden zur Erklärung trainiert.