Fugu-MT 論文翻訳(概要): When is the Computation of a Feature Attribution Method Tractable?

論文の概要: When is the Computation of a Feature Attribution Method Tractable?

arxiv url: http://arxiv.org/abs/2501.02356v1
Date: Sat, 04 Jan 2025 18:37:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-07 17:09:13.601332
Title: When is the Computation of a Feature Attribution Method Tractable?
Title（参考訳）: 特徴属性法はいつ計算されるか?
Authors: P. Barceló, R. Cominetti, M. Morgado,
Abstract要約: SHAP以外の電力指標の計算複雑性について検討する。電力指標を一定数の期待値評価に単純化できることを示す。また、特徴部分集合の重要性を定量化する相互作用指標についても検討する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Feature attribution methods have become essential for explaining machine learning models. Many popular approaches, such as SHAP and Banzhaf values, are grounded in power indices from cooperative game theory, which measure the contribution of features to model predictions. This work studies the computational complexity of power indices beyond SHAP, addressing the conditions under which they can be computed efficiently. We identify a simple condition on power indices that ensures that computation is polynomially equivalent to evaluating expected values, extending known results for SHAP. We also introduce Bernoulli power indices, showing that their computation can be simplified to a constant number of expected value evaluations. Furthermore, we explore interaction power indices that quantify the importance of feature subsets, proving that their computation complexity mirrors that of individual features.
Abstract（参考訳）: 特徴属性法は、機械学習モデルを説明するのに欠かせないものとなっている。 SHAPやBanzhaf値などの多くの一般的なアプローチは、モデル予測への特徴の寄与を測定する協調ゲーム理論からのパワー指標に基づいている。本研究は、SHAP以外の電力指標の計算複雑性を研究し、効率よく計算できる条件に対処する。我々は、計算が期待値と多項式的に等価であることを保証し、SHAPの既知の結果を拡張するための電力指標上の単純な条件を同定する。また,Bernoulliパワー指標を導入し,その計算を一定数の期待値評価に単純化できることを示した。さらに、特徴部分集合の重要性を定量化する相互作用パワー指標について検討し、それらの計算複雑性が個々の特徴を反映していることを証明する。

関連論文リスト

Graph-based Complexity for Causal Effect by Empirical Plug-in [56.14597641617531]
本稿では、因果効果クエリに対する経験的プラグイン推定の計算複雑性に焦点を当てる。計算は、推定値のハイパーグラフに依存するため、データサイズにおいて、潜在的に線形な時間で効率的に行うことができることを示す。
論文参考訳（メタデータ） (2024-11-15T07:42:01Z)
Feature-Specific Coefficients of Determination in Tree Ensembles [10.968795392216606]
ツリーアンサンブル法は、解釈が難しいモデルで予測を期待できる。最近のShapley値の導入は、予測された値に対する高速な計算アルゴリズムを伴って、興味をそそる結果を示している。本稿では,2次損失に関するShapley値を計算する際に,計算複雑性を時間に短縮する効率的なアルゴリズムQ-SHAPを提案する。
論文参考訳（メタデータ） (2024-07-03T21:27:29Z)
From SHAP Scores to Feature Importance Scores [4.8158930873043335]
本稿は,特徴属性と優先投票力の間には,重要な関係があることを示唆する。 XAIの重要度スコア(FIS)として、最も広く使用されるパワー指標のいくつかがどのように利用されるかは、まだ不明である。
論文参考訳（メタデータ） (2024-05-20T03:52:41Z)
Expected Shapley-Like Scores of Boolean Functions: Complexity and Applications to Probabilistic Databases [3.386124605656362]
私たちはShapleyのようなスコアを確率的設定に適応させ、期待値を計算することを目的としています。本稿では,期待値のシェープ値とブール関数の期待値の計算が時間内に解釈可能であることを示す。本稿では,データベースの証明を通じてデータベースに適用し,このアルゴリズムをProvableシステム内で効果的に実装する。
論文参考訳（メタデータ） (2024-01-12T10:34:31Z)
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 Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文参考訳（メタデータ） (2023-07-08T15:41:48Z)
Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文参考訳（メタデータ） (2023-07-06T15:19:53Z)
Grouping Shapley Value Feature Importances of Random Forests for explainable Yield Prediction [0.8543936047647136]
本稿では,特徴群に対して直接計算されたShapley値の概念を説明し,木構造上で効率的に計算するアルゴリズムを提案する。我々は、グローバルな理解のために多くのローカルな説明を組み合わせてSwarmプロットを設計するための青写真を提供する。
論文参考訳（メタデータ） (2023-04-14T13:03:33Z)
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)
A $k$-additive Choquet integral-based approach to approximate the SHAP values for local interpretability in machine learning [8.637110868126546]
本稿では,Shapley値に基づく機械学習モデルに対する解釈可能性の提供を目的とする。 Kernel SHAPと呼ばれるSHAPベースの手法は、計算労力を少なくしてそのような値を近似する効率的な戦略を採用する。得られた結果から,提案手法ではSHAP値に近似するために属性の連立性に関する計算がより少ないことが確認された。
論文参考訳（メタデータ） (2022-11-03T22:34:50Z)
Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。