論文の概要: Computing SHAP Efficiently Using Model Structure Information
- arxiv url: http://arxiv.org/abs/2309.02417v1
- Date: Tue, 5 Sep 2023 17:48:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 13:44:04.942273
- Title: Computing SHAP Efficiently Using Model Structure Information
- Title(参考訳): モデル構造情報を用いたSHAP計算
- Authors: Linwei Hu, Ke Wang
- Abstract要約: 本稿では, SHAP を時間的あるいはより高速に計算する手法を提案し, 付加性とダミーの仮定を満たす SHAP の定義を提案する。
最初のケースでは、加算特性と低次機能成分からSHAPを計算する方法を示す。
第2のケースでは、時間内にSHAPを計算できる式を導出します。
- 参考スコア(独自算出の注目度): 3.6626323701161665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: SHAP (SHapley Additive exPlanations) has become a popular method to attribute
the prediction of a machine learning model on an input to its features. One
main challenge of SHAP is the computation time. An exact computation of Shapley
values requires exponential time complexity. Therefore, many approximation
methods are proposed in the literature. In this paper, we propose methods that
can compute SHAP exactly in polynomial time or even faster for SHAP definitions
that satisfy our additivity and dummy assumptions (eg, kernal SHAP and baseline
SHAP). We develop different strategies for models with different levels of
model structure information: known functional decomposition, known order of
model (defined as highest order of interaction in the model), or unknown order.
For the first case, we demonstrate an additive property and a way to compute
SHAP from the lower-order functional components. For the second case, we derive
formulas that can compute SHAP in polynomial time. Both methods yield exact
SHAP results. Finally, if even the order of model is unknown, we propose an
iterative way to approximate Shapley values. The three methods we propose are
computationally efficient when the order of model is not high which is
typically the case in practice. We compare with sampling approach proposed in
Castor & Gomez (2008) using simulation studies to demonstrate the efficacy of
our proposed methods.
- Abstract(参考訳): SHAP(SHapley Additive exPlanations)は、機械学習モデルの予測を特徴量に当てはめる一般的な手法となっている。
SHAPの主な課題は計算時間である。
シャプリー値の正確な計算には指数時間複雑さが必要である。
そのため,本論文では多くの近似手法が提案されている。
本稿では,我々の付加性とダミー仮定を満たすSHAP定義(ケナルSHAP,ベースラインSHAPなど)に対して,SHAPを多項式時間以上で正確に計算できる手法を提案する。
モデル構造情報のレベルが異なるモデルに対して、既知の機能的分解、既知のモデルの順序(モデルにおける相互作用の最高順序として定義される)、未知の順序という異なる戦略を開発する。
最初のケースでは、付加的な特性と低次機能コンポーネントからshapを計算する方法を示します。
2つ目の場合、多項式時間でshapを計算できる公式を導出する。
どちらの方法も正確なシェープ結果をもたらす。
最後に,モデルの順序が未知であれば,シェープリー値の近似を反復的に行う方法を提案する。
私たちが提案する3つの手法は、モデル順序が高くない場合に計算的に効率的である。
castor & gomez (2008) で提案されているサンプリング手法と比較し,提案手法の有効性をシミュレーションにより検証した。
関連論文リスト
- Maximum a Posteriori Estimation for Linear Structural Dynamics Models Using Bayesian Optimization with Rational Polynomial Chaos Expansions [0.01578888899297715]
本稿では,MAP推定のための既存のスパースベイズ学習手法の拡張を提案する。
ベイズ最適化手法を導入し,実験設計を適応的に強化する。
疎性誘導学習と実験設計を組み合わせることで,モデル評価の回数を効果的に削減する。
論文 参考訳(メタデータ) (2024-08-07T06:11:37Z) - 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) - Towards Efficient Time Stepping for Numerical Shape Correspondence [55.2480439325792]
偏微分方程式(PDE)に基づく手法が確立されており、例えば古典的な熱核シグネチャを含む。
本研究の目的は,形状解析の文脈における時間積分の手法の有用な性質を特定できるかどうかを評価することである。
論文 参考訳(メタデータ) (2023-12-21T13:40:03Z) - 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) - A Comparative Study of Methods for Estimating Conditional Shapley Values
and When to Use Them [4.3012765978447565]
我々は,新しい手法を開発し,提案手法を拡張し,新しい手法を異なるメソッドクラスに体系化し,比較と評価を行う。
本研究では,異なる手法のクラスが条件付き期待値を正確に見積もっているかを評価するため,広範囲なシミュレーション研究を行う。
また、実世界のデータ実験にもメソッドを適用し、異なるメソッドクラスやアプローチをいつ使うべきかを推奨する。
論文 参考訳(メタデータ) (2023-05-16T15:27:17Z) - Gaussian process regression and conditional Karhunen-Lo\'{e}ve models
for data assimilation in inverse problems [68.8204255655161]
偏微分方程式モデルにおけるデータ同化とパラメータ推定のためのモデル逆アルゴリズムCKLEMAPを提案する。
CKLEMAP法は標準的なMAP法に比べてスケーラビリティがよい。
論文 参考訳(メタデータ) (2023-01-26T18:14:12Z) - PDD-SHAP: Fast Approximations for Shapley Values using Functional
Decomposition [2.0559497209595823]
我々は、ANOVAに基づく関数分解モデルを用いて説明中のブラックボックスモデルを近似するアルゴリズムであるPDD-SHAPを提案する。
これにより、Shapleyの値を既存の大規模データセットの手法よりも桁違いに高速に計算でき、Shapleyの計算コストを大幅に削減できる。
論文 参考訳(メタデータ) (2022-08-26T11:49:54Z) - Algorithms to estimate Shapley value feature attributions [11.527421282223948]
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。
論文 参考訳(メタデータ) (2022-07-15T17:04:41Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳(メタデータ) (2021-10-20T12:25:22Z) - Fast Hierarchical Games for Image Explanations [78.16853337149871]
本稿では,シェープリー係数の階層的拡張に基づく画像分類のモデル非依存な説明法を提案する。
他のShapleyベースの説明手法とは異なり、h-Shapはスケーラブルで近似を必要とせずに計算できる。
本手法は,合成データセット,医用画像シナリオ,一般コンピュータビジョン問題において,一般的なシャプリーベースおよび非サプリーベース手法と比較した。
論文 参考訳(メタデータ) (2021-04-13T13:11:02Z) - 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)
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。