論文の概要: Shapley Values: Paired-Sampling Approximations
- arxiv url: http://arxiv.org/abs/2508.12947v1
- Date: Mon, 18 Aug 2025 14:23:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:11.373212
- Title: Shapley Values: Paired-Sampling Approximations
- Title（参考訳）: 共有価値: ペアリング近似
- Authors: Michael Mayer, Mario V. Wüthrich,
- Abstract要約: シェープ値は、機械学習の予測を説明するツールとして非常に人気がある。
シェープリーの公正公理に基づいて、全ての入力(特徴成分)は、それが出力(予測)にどのように貢献するかのクレジットを得る。
多くの異なる予測に対するシェープリー値(クレディット)の計算における唯一の制限は、計算の性質である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Originally introduced in cooperative game theory, Shapley values have become a very popular tool to explain machine learning predictions. Based on Shapley's fairness axioms, every input (feature component) gets a credit how it contributes to an output (prediction). These credits are then used to explain the prediction. The only limitation in computing the Shapley values (credits) for many different predictions is of computational nature. There are two popular sampling approximations, sampling KernelSHAP and sampling PermutationSHAP. Our first novel contributions are asymptotic normality results for these sampling approximations. Next, we show that the paired-sampling approaches provide exact results in case of interactions being of maximal order two. Furthermore, the paired-sampling PermutationSHAP possesses the additive recovery property, whereas its kernel counterpart does not.
- Abstract（参考訳）: もともとは協調ゲーム理論で導入されたが、シャプリーの値は機械学習の予測を説明するツールとして非常に人気がある。
シャプリーの公平性公理に基づいて、全ての入力(特徴成分)は、それが出力(予測)にどのように貢献するかのクレジットを得る。
これらのクレジットは、予測を説明するために使用される。
多くの異なる予測に対するシェープリー値(クレディット)の計算における唯一の制限は、計算の性質である。
KernelSHAPのサンプリングとPermutationSHAPのサンプリングである。
最初の新しい貢献は、これらのサンプリング近似に対する漸近正規性の結果である。
次に、ペアサンプリング手法は、相互作用が最大次数2である場合に正確な結果をもたらすことを示す。
さらに、ペアサンプリングのPermutationSHAPは付加的なリカバリ特性を持っているが、そのカーネルは持っていない。
関連論文リスト
- One Sample is Enough to Make Conformal Prediction Robust [53.78604391939934]
共形予測は, 1つのランダムな摂動入力に対して前方通過しても, ある程度の堅牢性が得られることを示す。
提案手法は,入力毎に多数のパス(例えば100回程度)を使用するSOTA法と比較して,平均セットサイズが小さいロバストな集合を返す。
論文 参考訳（メタデータ） (2025-06-19T19:14:25Z) - Prediction via Shapley Value Regression [18.708235771482205]
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。
論文 参考訳（メタデータ） (2025-05-07T19:51:17Z) - 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) - Explaining a probabilistic prediction on the simplex with Shapley compositions [11.009289275721283]
我々は,多クラス確率予測を適切に説明するために,シェープリー合成を十分に確立した方法として紹介する。
我々は、シャプリー合成が Aitchison の単純点上の線型性、対称性、効率を満たす唯一の量であることを証明した。
論文 参考訳（メタデータ） (2024-08-02T16:40:58Z) - Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。
近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。
本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-11T13:44:49Z) - 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)
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。