論文の概要: Algorithms to estimate Shapley value feature attributions

• arxiv url: http://arxiv.org/abs/2207.07605v1
• Date: Fri, 15 Jul 2022 17:04:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-18 15:01:48.430082
• Title: Algorithms to estimate Shapley value feature attributions
• Title（参考訳）: Shapley値の特徴属性を推定するアルゴリズム
• Authors: Hugh Chen and Ian C. Covert and Scott M. Lundberg and Su-In Lee
• Abstract要約: Shapley値に基づく特徴属性は、機械学習モデルを説明するために人気がある。 我々は,この複雑さを,(1)特徴情報の除去アプローチ,(2)抽出可能な推定戦略の2つの要因に分解する。
• 参考スコア（独自算出の注目度）: 11.527421282223948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature attributions based on the Shapley value are popular for explaining machine learning models; however, their estimation is complex from both a theoretical and computational standpoint. We disentangle this complexity into two factors: (1)~the approach to removing feature information, and (2)~the tractable estimation strategy. These two factors provide a natural lens through which we can better understand and compare 24 distinct algorithms. Based on the various feature removal approaches, we describe the multiple types of Shapley value feature attributions and methods to calculate each one. Then, based on the tractable estimation strategies, we characterize two distinct families of approaches: model-agnostic and model-specific approximations. For the model-agnostic approximations, we benchmark a wide class of estimation approaches and tie them to alternative yet equivalent characterizations of the Shapley value. For the model-specific approximations, we clarify the assumptions crucial to each method's tractability for linear, tree, and deep models. Finally, we identify gaps in the literature and promising future research directions.
• Abstract（参考訳）: シェープリー値に基づく特徴属性は、機械学習モデルを説明するのに人気があるが、その推定は理論的および計算的両面から複雑である。 この複雑さを,(1) - 特徴情報の除去アプローチ,(2) - 抽出可能な推定戦略の2つの要因に分解する。 これらの2つの因子は、24の異なるアルゴリズムをよりよく理解し比較できる自然なレンズを提供する。 様々な特徴除去手法に基づき,複数の種類のシェープリー値特徴量分布と各特徴量を計算する手法について述べる。 そして, 抽出可能な推定手法に基づいて, モデル非依存とモデル固有近似の2つの異なるアプローチを特徴付ける。 モデルに依存しない近似では、幅広い種類の推定手法をベンチマークし、シェープリー値の代替的かつ等価な特徴付けに結びつける。 モデル固有近似について,線形,木,深部モデルに対する各手法のトラクタビリティに不可欠な仮定を明らかにする。 最後に,文献のギャップを特定し,今後の研究の方向性を期待する。

関連論文リスト

• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• 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)
• SHAP-IQ: Unified Approximation of any-order Shapley Interactions [6.101024067998782]
  ブラックボックスモデルの特徴属性を決定するためにシェープ値(SV)が適用される。 ShaPley Interaction Quantification (SHAP-IQ)は、Shapleyインタラクションを計算するための効率的なサンプリングベースの近似器である。
  論文  参考訳（メタデータ） (2023-03-02T11:49:05Z)
• Multivariate Systemic Risk Measures and Computation by Deep Learning Algorithms [63.03966552670014]
  本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。 私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
  論文  参考訳（メタデータ） (2023-02-02T22:16:49Z)
• 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)
• Accurate Shapley Values for explaining tree-based models [0.0]
  木構造を効率的に利用し,最先端の手法よりも精度の高い2つのシェープ値推定器を導入する。 これらのメソッドはPythonパッケージとして利用できる。
  論文  参考訳（メタデータ） (2021-06-07T17:35:54Z)
• Explaining predictive models using Shapley values and non-parametric vine copulas [2.6774008509840996]
  特徴間の依存をモデル化するための2つの新しいアプローチを提案する。 提案手法の性能はシミュレーションされたデータセットと実データセットで評価される。 実験により、ブドウのコプラアプローチは、ライバルよりも真のシャプリー値により正確な近似を与えることが示された。
  論文  参考訳（メタデータ） (2021-02-12T09:43:28Z)
• A Multilinear Sampling Algorithm to Estimate Shapley Values [4.771833920251869]
  ゲーム理論に適用したマルチ線形拡張手法に基づく新しいサンプリング手法を提案する。 本手法は任意の機械学習モデル,特に多クラス分類や回帰問題に適用可能である。
  論文  参考訳（メタデータ） (2020-10-22T21:47:16Z)
• CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
  我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
  論文  参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。