SHAP-RTL框架发布：修复SHAP与LIME在从右向左书写语言中的可视化乱码问题

一句话结论

研究者发布SHAP-RTL渲染层，修复SHAP和LIME在乌尔都语等从右向左（RTL）语言中词序错乱、字体断裂的可视化缺陷，使解释结果可读。

关键要点

• SHAP和LIME在乌尔都语、阿拉伯语等RTL语言中，归因数值数学上有效，但可视化呈现出现词序错乱、连写字体断裂和布局方向错误。
• SHAP-RTL作为渲染层纠正阅读方向与字体连写，支持逐语言字体选择，保留原始归因值、特征排序与模型输出。
• 在200个特征词的语言上，默认渲染的字符错误率为0.820至0.979，常见"重排-重排序"变通法对乌尔都语错误率达0.998。
• 测试使用TF-IDF和逻辑回归分类器，在乌尔都语、阿拉伯语、希伯来语、波斯语的仇恨与冒犯语言数据集上评估。
• SHAP-RTL在Matplotlib 3.11.0文本重写前后均保持正确，而变通法在3.11.0中表现反转。

背景与事实

SHAP（SHapley Additive exPlanations）和LIME（Local Interpretable Model-agnostic Explanations）是目前广泛使用的文本分类器事后解释方法。然而，它们的可视化设计主要针对从左向右（LTR）语言，当应用于乌尔都语、阿拉伯语、波斯语和希伯来语等RTL语言时，出现严重可读性问题：token顺序错乱、连写字形断裂、绘图布局不遵循自然阅读方向。

本研究于2026年9月23日在arXiv cs.LG提交，作者为Muhammad Shahid Iqbal Malik博士。研究团队提出SHAP-RTL，将其定位为"可视化问题"而非解释方法本身的缺陷。SHAP-RTL作为渲染层插入，纠正阅读方向和字体连写，并支持逐语言字体选择，同时保留原始归因值、特征排序和模型输出。

评估使用TF-IDF和逻辑回归分类器，在乌尔都语、阿拉伯语、希伯来语和波斯语的仇恨与冒犯语言数据集上进行。渲染正确性通过每种语言200个特征词的OCR往返测试衡量。结果表明：默认渲染的字符错误率为0.820到0.979，意味着标签不再承载其token；常见的"reshape-and-reorder"（重排-重排序）变通法对乌尔都语错误率达0.998，比不修正更糟；Matplotlib 3.11.0的文本重写使该变通法表现反转，而SHAP-RTL在两个版本下均保持正确。

框架还包含"语言化"功能，将相同归因值转化为读者语言中的简短上下文解释，约束在已识别的特征上。论文明确说明，评估仅关注渲染正确性，生成的解释质量评估留待未来工作。

影响分析

这是分析判断：对中文开发者而言，当前SHAP和LIME的可视化主要服务于LTR语言生态，若团队处理阿拉伯语、波斯语、希伯来语或乌尔都语文本分类任务，解释结果的可读性将直接受到SHAP-RTL这类修复层的影响。对于从事多语言模型可解释性的从业者，该研究提供了一个可复现的评估基准（200词OCR往返、字符错误率指标），可作为后续改进RTL解释可视化的参考起点。对中文语境下暂无直接影响，但为"语言感知可视化"这一研究方向提供了实证数据，有助于理解归因值正确性与可视化可读性分离的设计原则。

适用边界

这是分析判断：SHAP-RTL针对的是SHAP和LIME在RTL语言中的渲染层修正，不改变归因计算方法本身。该结论不适用于LTR语言场景，也不适用于非文本模态（图像、时序）的解释可视化。其评估基于TF-IDF和逻辑回归分类器，在深度神经网络或集成模型上的表现未经验证。语言化解释部分的质量未在本论文中评估，且"reshape-and-reorder"变通法在不同RTL语言中的表现可能存在差异（论文仅对乌尔都语报告了0.998的错误率）。

孤本观察

这是编辑判断：SHAP-RTL将"语言方向"从解释方法的数学正确性与可视化可读性中解耦，这一架构选择本身比具体数值更值得注意——它表明事后解释工具链的"最后一公里"（呈现层）长期被RTL语言生态忽视。

来源：arXiv cs.LG