論文の概要: Prediction via Shapley Value Regression

• arxiv url: http://arxiv.org/abs/2505.04775v1
• Date: Wed, 07 May 2025 19:51:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.665639
• Title: Prediction via Shapley Value Regression
• Title（参考訳）: 共有値回帰による予測
• Authors: Amr Alkhatib, Roman Bresson, Henrik Boström, Michalis Vazirgiannis,
• Abstract要約: ViaSHAPと呼ばれる新しい手法が提案され、Shapley値を計算する関数が学習される。 大規模な実証調査の結果を報告する。
• 参考スコア（独自算出の注目度）: 18.708235771482205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shapley values have several desirable, theoretically well-supported, properties for explaining black-box model predictions. Traditionally, Shapley values are computed post-hoc, leading to additional computational cost at inference time. To overcome this, a novel method, called ViaSHAP, is proposed, that learns a function to compute Shapley values, from which the predictions can be derived directly by summation. Two approaches to implement the proposed method are explored; one based on the universal approximation theorem and the other on the Kolmogorov-Arnold representation theorem. Results from a large-scale empirical investigation are presented, showing that ViaSHAP using Kolmogorov-Arnold Networks performs on par with state-of-the-art algorithms for tabular data. It is also shown that the explanations of ViaSHAP are significantly more accurate than the popular approximator FastSHAP on both tabular data and images.
• Abstract（参考訳）: シェープ値には、ブラックボックスモデル予測を説明するために望ましい、理論的に支持されたいくつかの特性がある。 伝統的に、Shapley値はポストホックで計算され、推論時に計算コストが増大する。 これを解決するために、Shapley値を計算する関数を学習するViaSHAPと呼ばれる新しい手法が提案されている。 提案手法の実装には, 普遍近似定理とコルモゴロフ・アルノルド表現定理に基づく2つの方法が検討されている。 大規模な実証調査の結果,Kolmogorov-Arnold Networks を用いた ViaSHAP が,グラフデータに対する最先端のアルゴリズムと同等に動作することを示した。 また、ViaSHAPの説明は、表データと画像の両方において一般的な近似器であるFastSHAPよりもはるかに正確であることを示した。

関連論文リスト

• Improving the Weighting Strategy in KernelSHAP [0.8057006406834466]
  説明可能なAI(XAI)では、Shapley値が、複雑な機械学習モデルによる予測を説明する一般的なフレームワークである。 本稿では,結果のShapley値近似のばらつきを低減するために,決定論的重みを1つに置き換えるKernelSHAPの新たな改良を提案する。 提案手法は, 近似したShapley値と同じ精度を保ちながら, 必要なコントリビューション関数の評価を5%$から50%$に削減することができる。
  論文  参考訳（メタデータ） (2024-10-07T10:02:31Z)
• Energy-Based Model for Accurate Estimation of Shapley Values in Feature Attribution [7.378438977893025]
  EmSHAP (Energy-based model for Shapley value Estimation) は、Shapleyコントリビューション関数の期待値を推定するために提案される。 GRU(Gated Recurrent Unit)結合分割関数推定法を提案する。
  論文  参考訳（メタデータ） (2024-04-01T12:19:33Z)
• 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)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• 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)
• Explaining the Uncertain: Stochastic Shapley Values for Gaussian Process Models [15.715453687736028]
  本稿では,GPの完全な解析的共分散構造を利用するガウス過程 (GP) を説明するための新しい手法を提案する。 提案手法は,協調ゲームに拡張されたShapley値の一般的な解概念に基づいて,ランダム変数である説明を行う。 提案手法を用いて生成したGP説明は,Shapley値と類似の公理を満足し,特徴量やデータ観測にまたがるトラクタブルな共分散関数を有する。
  論文  参考訳（メタデータ） (2023-05-24T13:59:03Z)
• 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)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• 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)

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。