論文の概要: SIM-Shapley: A Stable and Computationally Efficient Approach to Shapley Value Approximation

• arxiv url: http://arxiv.org/abs/2505.08198v1
• Date: Tue, 13 May 2025 03:23:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.408797
• Title: SIM-Shapley: A Stable and Computationally Efficient Approach to Shapley Value Approximation
• Title（参考訳）: SIM-Shapley:Shapley値近似に対する安定かつ計算効率の良いアプローチ
• Authors: Wangxuan Fan, Siqi Li, Doudou Zhou, Yohei Okada, Chuan Hong, Molei Liu, Nan Liu,
• Abstract要約: 共有値(SV)法は、複雑なモデルにおける特徴帰属の原則的な枠組みを提供するが、高い計算コストがかかる。 最適化にインスパイアされた安定かつ効率的な近似法である,共有値近似のための反復モーメント(SIM-Shapley)を提案する。 我々の数値実験では、SIM-Shapleyは最先端のベースラインと比較して計算時間を最大85%削減する。
• 参考スコア（独自算出の注目度）: 8.323065815365602
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable artificial intelligence (XAI) is essential for trustworthy machine learning (ML), particularly in high-stakes domains such as healthcare and finance. Shapley value (SV) methods provide a principled framework for feature attribution in complex models but incur high computational costs, limiting their scalability in high-dimensional settings. We propose Stochastic Iterative Momentum for Shapley Value Approximation (SIM-Shapley), a stable and efficient SV approximation method inspired by stochastic optimization. We analyze variance theoretically, prove linear $Q$-convergence, and demonstrate improved empirical stability and low bias in practice on real-world datasets. In our numerical experiments, SIM-Shapley reduces computation time by up to 85% relative to state-of-the-art baselines while maintaining comparable feature attribution quality. Beyond feature attribution, our stochastic mini-batch iterative framework extends naturally to a broader class of sample average approximation problems, offering a new avenue for improving computational efficiency with stability guarantees. Code is publicly available at https://github.com/nliulab/SIM-Shapley.
• Abstract（参考訳）: 説明可能な人工知能(XAI)は、信頼できる機械学習(ML)、特に医療や金融などの高度な分野において不可欠である。 共有値(SV)法は、複雑なモデルでは特徴帰属するが、計算コストが高く、高次元設定ではスケーラビリティが制限される。 本稿では,確率最適化にインスパイアされた安定かつ効率的なSV近似法であるStochastic Iterative Momentum for Shapley Value Approximation (SIM-Shapley)を提案する。 我々は,分散を理論的に解析し,線形$Q$コンバージェンスを証明し,実世界のデータセット上での実証的安定性とバイアスの低減を実証した。 我々の数値実験では、SIM-Shapleyは、同等の属性品質を維持しながら、最先端のベースラインと比較して計算時間を最大85%削減する。 特徴属性以外にも、我々の確率的ミニバッチ反復フレームワークは、より広範なサンプル平均近似問題に自然に拡張し、安定性保証による計算効率の向上のための新たな道を提供する。 コードはhttps://github.com/nliulab/SIM-Shapley.comで公開されている。

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)
• Provably Accurate Shapley Value Estimation via Leverage Score Sampling [12.201705893125775]
  本稿では,Kernel SHAP の軽量な修正である Leverage SHAP を紹介する。 提案手法は,強力な回帰ツールであるレバレッジスコアサンプリングを用いて,シェープ値の推定とアクティブラーニングの関連性を利用する。
  論文  参考訳（メタデータ） (2024-10-02T18:15:48Z)
• 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)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• 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)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)

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。