論文の概要: Exact Shapley Attributions in Quadratic-time for FANOVA Gaussian Processes

• arxiv url: http://arxiv.org/abs/2508.14499v1
• Date: Wed, 20 Aug 2025 07:39:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.379025
• Title: Exact Shapley Attributions in Quadratic-time for FANOVA Gaussian Processes
• Title（参考訳）: FANOVAガウス過程の4次時間における厳密な共有属性
• Authors: Majid Mohammadi, Krikamol Muandet, Ilaria Tiddi, Annette Ten Teije, Siu Lun Chau,
• Abstract要約: シェープ値は、機械学習において入力特徴に重要性をもたらすための原則的手法として広く認識されている。 また,Shapley値の正確な計算量は特徴数とともに指数関数的にスケールすることを示した。 我々の研究は、構造化確率モデルによって生成される予測について、よりスケーラブルで、公理的に、そして不確実性を考慮した説明を提供する。
• 参考スコア（独自算出の注目度）: 12.496136169054541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shapley values are widely recognized as a principled method for attributing importance to input features in machine learning. However, the exact computation of Shapley values scales exponentially with the number of features, severely limiting the practical application of this powerful approach. The challenge is further compounded when the predictive model is probabilistic - as in Gaussian processes (GPs) - where the outputs are random variables rather than point estimates, necessitating additional computational effort in modeling higher-order moments. In this work, we demonstrate that for an important class of GPs known as FANOVA GP, which explicitly models all main effects and interactions, *exact* Shapley attributions for both local and global explanations can be computed in *quadratic time*. For local, instance-wise explanations, we define a stochastic cooperative game over function components and compute the exact stochastic Shapley value in quadratic time only, capturing both the expected contribution and uncertainty. For global explanations, we introduce a deterministic, variance-based value function and compute exact Shapley values that quantify each feature's contribution to the model's overall sensitivity. Our methods leverage a closed-form (stochastic) M\"{o}bius representation of the FANOVA decomposition and introduce recursive algorithms, inspired by Newton's identities, to efficiently compute the mean and variance of Shapley values. Our work enhances the utility of explainable AI, as demonstrated by empirical studies, by providing more scalable, axiomatically sound, and uncertainty-aware explanations for predictions generated by structured probabilistic models.
• Abstract（参考訳）: シェープ値は、機械学習において入力特徴に重要性をもたらすための原則的手法として広く認識されている。 しかし、Shapley値の正確な計算は特徴数とともに指数関数的にスケールし、この強力なアプローチの実践的応用を著しく制限する。 この課題は、予測モデルが確率的(ガウス過程(GP)のように)であるときにさらに複雑になり、高次モーメントをモデル化するためには、出力が点推定よりもランダム変数である。 本研究では、FANOVA GP として知られる重要なGPのクラスに対して、局所的および大域的説明に対する *exact* Shapley 属性は *quadratic time* で計算できることを示す。 局所的, 実例的説明に対しては, 関数成分上の確率的協調ゲームを定義し, 2次時間でのみ正確な確率的シャプリー値を計算し, 期待される寄与と不確実性の両方を捉える。 グローバルな説明のために、決定論的、分散に基づく値関数と、モデル全体の感度に対する各特徴の寄与を定量化する正確なShapley値を導入する。 本手法は,FANOVA分解の閉形式(確率的)M\"{o}bius表現を活用し,ニュートンの同一性に触発された再帰的アルゴリズムを導入し,シェープリー値の平均と分散を効率的に計算する。 我々の研究は、構造化確率モデルによって生成された予測に対して、よりスケーラブルで、公理的に、そして不確実性を考慮した説明を提供することによって、実証的な研究によって示される説明可能なAIの有用性を高める。

関連論文リスト

• Computing Exact Shapley Values in Polynomial Time for Product-Kernel Methods [11.743255602108775]
  PKeX-Shapleyは、Shapley値の正確な計算を可能にする新しいアルゴリズムである。 PKeX-Shapleyは計算効率を向上し,カーネル学習における解釈可能性を向上させる。
  論文  参考訳（メタデータ） (2025-05-22T10:53:04Z)
• 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)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• 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)
• 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)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Rigorous Explanation of Inference on Probabilistic Graphical Models [17.96228289921288]
  本稿では、Shapley値の分解性、計算用MRFの構造、BP推論の反復性を統合するためにGraphShapleyを提案する。 9つのグラフ上では、GraphShapleyが合理的で実用的な説明を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-21T14:57:12Z)

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。