論文の概要: Joint Shapley values: a measure of joint feature importance
- arxiv url: http://arxiv.org/abs/2107.11357v1
- Date: Fri, 23 Jul 2021 17:22:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 14:36:53.178113
- Title: Joint Shapley values: a measure of joint feature importance
- Title（参考訳）: ジョイントシェープリー値:ジョイント特徴重要度尺度
- Authors: Chris Harris, Richard Pymar, Colin Rowat
- Abstract要約: 結合Shapley値を導入し、Shapley公理を直接拡張する。
ジョイントシェープの値は、モデルの予測に対する特徴の平均的な影響を測る。
ゲームの結果、ジョイントシェープの値は既存の相互作用指標とは異なる洞察を示します。
- 参考スコア（独自算出の注目度）: 6.169364905804678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Shapley value is one of the most widely used model-agnostic measures of
feature importance in explainable AI: it has clear axiomatic foundations, is
guaranteed to uniquely exist, and has a clear interpretation as a feature's
average effect on a model's prediction. We introduce joint Shapley values,
which directly extend the Shapley axioms. This preserves the classic Shapley
value's intuitions: joint Shapley values measure a set of features' average
effect on a model's prediction. We prove the uniqueness of joint Shapley
values, for any order of explanation. Results for games show that joint Shapley
values present different insights from existing interaction indices, which
assess the effect of a feature within a set of features. Deriving joint Shapley
values in ML attribution problems thus gives us the first measure of the joint
effect of sets of features on model predictions. In a dataset with binary
features, we present a presence-adjusted method for calculating global values
that retains the efficiency property.
- Abstract（参考訳）: シャプリー値は、説明可能なAIにおける機能の重要性を最も広く認識する尺度の1つであり、公理的基盤が明確であり、一意の存在が保証され、モデルの予測に対する機能の平均的な影響として明確な解釈を持つ。
結合Shapley値を導入し、Shapley公理を直接拡張する。
これは古典的なシェープリー値の直観を保存する: ジョイントシェープリー値はモデルの予測に対する特徴のセットの平均効果を測定する。
任意の説明の順序で、共同シェープ値の特異性を証明する。
ゲームの結果、ジョイントシェープの値は既存の相互作用指標とは異なる洞察を示し、特徴セット内の特徴の効果を評価する。
ml帰属問題におけるジョイント・シャプリー値の導出により,モデル予測における特徴集合のジョイント効果の第一尺度が得られた。
バイナリ機能を持つデータセットでは、効率性を保持するグローバル値を計算するための存在調整法を提案する。
関連論文リスト
- Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。
既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。
実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
論文 参考訳（メタデータ） (2023-11-02T06:09:24Z) - Efficient Shapley Values Estimation by Amortization for Text
Classification [66.7725354593271]
我々は,各入力特徴のシェープ値を直接予測し,追加のモデル評価を行なわずに補正モデルを開発する。
2つのテキスト分類データセットの実験結果から、アモルタイズされたモデルでは、Shapley Valuesを最大60倍のスピードアップで正確に見積もっている。
論文 参考訳（メタデータ） (2023-05-31T16:19:13Z) - Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。
Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。
LASSO を用いて Model-to-Match フレームワークを運用する。
論文 参考訳（メタデータ） (2023-02-23T00:43:03Z) - WeightedSHAP: analyzing and improving Shapley based feature attributions [17.340091573913316]
共有価値(Shapley value)は、個々の特徴の影響を測定するための一般的なアプローチである。
WeightedSHAPを提案する。これはShapleyの価値を一般化し、データから直接フォーカスする限界貢献を学習する。
いくつかの実世界のデータセットにおいて、WeightedSHAPによって識別される影響のある特徴がモデルの予測を再カプセル化できることを示す。
論文 参考訳（メタデータ） (2022-09-27T14:34:07Z) - Faith-Shap: The Faithful Shapley Interaction Index [43.968337274203414]
シャプリー値の重要な魅力は、それらが非常に自然な公理的性質の集合を一意に満足していることである。
そこで,本研究では,標準個々のシャプリー公理の相互作用拡張を満たすために忠実な相互作用指標を求めることにより,一意に忠実なシャプリー相互作用指数が得られることを示す。
論文 参考訳（メタデータ） (2022-03-02T04:44:52Z) - Exact Shapley Values for Local and Model-True Explanations of Decision
Tree Ensembles [0.0]
決定木アンサンブルの説明にShapley値を適用することを検討する。
本稿では,無作為林に適応し,決定木を増強できる,Shapley値に基づく特徴属性に対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-12-16T20:16:02Z) - Counterfactual Shapley Additive Explanations [6.916452769334367]
本稿では,逆ファクト生成技術を用いて背景データセットを生成するSHAPの変種であるCoSHAPを提案する。
我々は、特徴属性にShapley値を使用する場合、背景データセットを慎重に考慮するためのアクション可能なリコース設定の必要性を動機付けている。
論文 参考訳（メタデータ） (2021-10-27T08:44:53Z) - Multicollinearity Correction and Combined Feature Effect in Shapley
Values [0.0]
共有値(Shapley value)は、特定の行に対する機能の重要性を表す。
我々は,Shapley値と相関した特徴量を計算する統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-03T12:28:42Z) - Predictive and Causal Implications of using Shapley Value for Model
Interpretation [6.744385328015561]
我々は、予測モデルと因果モデルの両方において重要な概念である、シェープ価値と条件独立の関係を確立した。
その結果,モデルから高いShapley値を持つ変数を排除しても必ずしも予測性能を損なうとは限らないことが示唆された。
さらに重要なことに、変数のShapley値は、関心の対象との因果関係を反映しない。
論文 参考訳（メタデータ） (2020-08-12T01:08:08Z) - Slice Sampling for General Completely Random Measures [74.24975039689893]
本稿では, 後続推定のためのマルコフ連鎖モンテカルロアルゴリズムについて, 補助スライス変数を用いてトランケーションレベルを適応的に設定する。
提案アルゴリズムの有効性は、いくつかの一般的な非パラメトリックモデルで評価される。
論文 参考訳（メタデータ） (2020-06-24T17:53:53Z) - Towards Efficient Data Valuation Based on the Shapley Value [65.4167993220998]
本稿では,Shapley値を用いたデータ評価の問題点について検討する。
Shapleyの値は、データ値の概念に対して多くのデシダータを満たすユニークなペイオフスキームを定義する。
本稿では,Shapley値を近似する効率的なアルゴリズムのレパートリーを提案する。
論文 参考訳（メタデータ） (2019-02-27T00:22:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。