論文の概要: Shapley Sets: Feature Attribution via Recursive Function Decomposition
- arxiv url: http://arxiv.org/abs/2307.01777v1
- Date: Tue, 4 Jul 2023 15:30:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 16:39:22.755528
- Title: Shapley Sets: Feature Attribution via Recursive Function Decomposition
- Title（参考訳）: shapley sets: 再帰的関数分解による機能帰属
- Authors: Torty Sivill and Peter Flach
- Abstract要約: 特徴集合に価値を与える別の帰属的アプローチ、Shapley Setsを提案する。
共有集合は、基礎となるモデルを非分離変数群に分解する。
理論的および実験的に、Shapley SetsがShapley値に基づく代替案に関連する落とし穴を避ける方法を示す。
- 参考スコア（独自算出の注目度）: 6.85316573653194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite their ubiquitous use, Shapley value feature attributions can be
misleading due to feature interaction in both model and data. We propose an
alternative attribution approach, Shapley Sets, which awards value to sets of
features. Shapley Sets decomposes the underlying model into non-separable
variable groups using a recursive function decomposition algorithm with log
linear complexity in the number of variables. Shapley Sets attributes to each
non-separable variable group their combined value for a particular prediction.
We show that Shapley Sets is equivalent to the Shapley value over the
transformed feature set and thus benefits from the same axioms of fairness.
Shapley Sets is value function agnostic and we show theoretically and
experimentally how Shapley Sets avoids pitfalls associated with Shapley value
based alternatives and are particularly advantageous for data types with
complex dependency structure.
- Abstract（参考訳）: ユビキタスな使用にもかかわらず、Shapleyの価値ある特徴属性は、モデルとデータの両方の機能相互作用のために誤解を招く可能性がある。
我々は,機能集合に価値を与える代替帰属アプローチであるshapley setsを提案する。
Shapley Setsは、変数数の対数線形複雑性を持つ再帰関数分解アルゴリズムを用いて、基礎モデルを非分離変数群に分解する。
シャプリーは、それぞれの分離不能な変数群に対して属性を特定の予測のためにそれらの組み合わせ値に設定する。
シェープ集合は変換された特徴集合上のシェープ値と等価であることを示し、したがってフェアネスの同じ公理の恩恵を受ける。
Shapley Setsは値関数非依存であり、Shapley SetsがShapley値ベースの代替手段に関連する落とし穴を回避し、複雑な依存構造を持つデータ型に対して特に有利であることを示す。
関連論文リスト
- Group Shapley Value and Counterfactual Simulations in a Structural Model [12.343981093497332]
構造経済モデルにおける反現実的シミュレーションを解釈するために,Shapley値,グループShapley値の変種を提案する。
本フレームワークは,複数の群に分割した2つのパラメータ集合を比較し,グループシェープ値分解を適用することにより,これらの集合間の変化に対する一意的な加法的寄与が得られる。
論文 参考訳（メタデータ） (2024-10-09T13:38:59Z) - 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) - 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) - Joint Shapley values: a measure of joint feature importance [6.169364905804678]
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。
論文 参考訳（メタデータ） (2021-07-23T17:22:37Z) - groupShapley: Efficient prediction explanation with Shapley values for
feature groups [2.320417845168326]
シェープ価値は、機械学習モデルから予測を説明するための最も適切で理論的に健全なフレームワークの1つとして、自らを確立している。
Shapley値の主な欠点は、その計算複雑性が入力機能の数で指数関数的に増加することである。
本稿では、上記のボトルネックを扱うための概念的にシンプルなアプローチであるgroupShapleyを紹介する。
論文 参考訳（メタデータ） (2021-06-23T08:16:14Z) - Bilinear Classes: A Structural Framework for Provable Generalization in
RL [119.42509700822484]
Bilinear Classesは強化学習の一般化を可能にする新しい構造フレームワークである。
このフレームワークは、サンプルの複雑さが達成可能な、ほとんどすべての既存のモデルを取り込んでいる。
我々の主な成果は、双線形クラスのためのサンプル複雑性を持つRLアルゴリズムである。
論文 参考訳（メタデータ） (2021-03-19T16:34:20Z) - 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) - Infinite Feature Selection: A Graph-based Feature Filtering Approach [78.63188057505012]
グラフ内の経路として特徴のサブセットを考慮したフィルタリング機能選択フレームワークを提案する。
無限に進むことで、選択プロセスの計算複雑性を制限できる。
Inf-FSはほとんどどんな状況でも、つまり、保持するフィーチャの数が優先順位に固定されているときに、より良く振る舞うことを示す。
論文 参考訳（メタデータ） (2020-06-15T07:20:40Z) - Invariant Feature Coding using Tensor Product Representation [75.62232699377877]
我々は,群不変特徴ベクトルが線形分類器を学習する際に十分な識別情報を含んでいることを証明した。
主成分分析やk平均クラスタリングにおいて,グループアクションを明示的に考慮する新たな特徴モデルを提案する。
論文 参考訳（メタデータ） (2019-06-05T07:15:17Z) - 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。