論文の概要: PolySHAP: Extending KernelSHAP with Interaction-Informed Polynomial Regression

• arxiv url: http://arxiv.org/abs/2601.18608v1
• Date: Mon, 26 Jan 2026 15:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.909646
• Title: PolySHAP: Extending KernelSHAP with Interaction-Informed Polynomial Regression
• Title（参考訳）: PolySHAP: 相互作用インフォームドポリノミアル回帰によるカーネルSHAPの拡張
• Authors: Fabian Fumagalli, R. Teal Witter, Christopher Musco,
• Abstract要約: KernelSHAPは,ゲームを線形関数として近似することにより,Shapley値を近似する指数的コストを回避する。 また、ペアサンプリングは2階のPolySHAPと全く同じ値近似を生成するが、次数2に収まらないことも証明した。
• 参考スコア（独自算出の注目度）: 26.711792479550954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shapley values have emerged as a central game-theoretic tool in explainable AI (XAI). However, computing Shapley values exactly requires $2^d$ game evaluations for a model with $d$ features. Lundberg and Lee's KernelSHAP algorithm has emerged as a leading method for avoiding this exponential cost. KernelSHAP approximates Shapley values by approximating the game as a linear function, which is fit using a small number of game evaluations for random feature subsets. In this work, we extend KernelSHAP by approximating the game via higher degree polynomials, which capture non-linear interactions between features. Our resulting PolySHAP method yields empirically better Shapley value estimates for various benchmark datasets, and we prove that these estimates are consistent. Moreover, we connect our approach to paired sampling (antithetic sampling), a ubiquitous modification to KernelSHAP that improves empirical accuracy. We prove that paired sampling outputs exactly the same Shapley value approximations as second-order PolySHAP, without ever fitting a degree 2 polynomial. To the best of our knowledge, this finding provides the first strong theoretical justification for the excellent practical performance of the paired sampling heuristic.
• Abstract（参考訳）: 共有価値は、説明可能なAI(XAI)の中心的なゲーム理論ツールとして現れている。 しかし、Shapley値の計算には$d$の機能を持つモデルのゲーム評価に正確に2^d$が必要である。 LundbergとLeeのKernelSHAPアルゴリズムは、この指数的コストを回避するための主要な方法として登場した。 KernelSHAPは、ランダムな特徴部分集合に対する少数のゲーム評価を使用する線形関数としてゲームを近似することにより、Shapley値を近似する。 本研究では,KernelSHAPを高次多項式で近似することにより拡張し,特徴間の非線形相互作用を捉える。 得られたPolySHAP法は,様々なベンチマークデータセットに対して実験的に優れたShapley値推定値が得られる。 さらに,実験精度を向上させるKernelSHAPのユビキタスな改良であるペアサンプリング(アンチテキティックサンプリング)に,本手法を結合する。 ペアサンプリングは次数2の多項式を適合させることなく、2階のPolySHAPと全く同じShapley値近似を出力することを示す。 我々の知る限り、この発見はペアサンプリングヒューリスティックの優れた実用性能に対する最初の強力な理論的正当性を提供する。

関連論文リスト

• Closing the Approximation Gap of Partial AUC Optimization: A Tale of Two Formulations [121.39938773554523]
  ROC曲線の下の領域(AUC)は、クラス不均衡と決定制約の両方を持つ実世界のシナリオにおける重要な評価指標である。 PAUC最適化の近似ギャップを埋めるために,2つの簡単なインスタンス単位のミニマックス修正を提案する。 得られたアルゴリズムは、サンプルサイズと典型的な一方方向と双方向のPAUCに対して$O(-2/3)$の収束率の線形パーイテレーション計算複雑性を享受する。
  論文  参考訳（メタデータ） (2025-12-01T02:52:33Z)
• Shapley Values: Paired-Sampling Approximations [0.0]
  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。
  論文  参考訳（メタデータ） (2025-08-18T14:23:34Z)
• 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)
• Highly Adaptive Ridge [84.38107748875144]
  直交可積分な部分微分を持つ右連続函数のクラスにおいて,$n-2/3$自由次元L2収束率を達成する回帰法を提案する。 Harは、飽和ゼロオーダーテンソル積スプライン基底展開に基づいて、特定のデータ適応型カーネルで正確にカーネルリッジレグレッションを行う。 我々は、特に小さなデータセットに対する最先端アルゴリズムよりも経験的性能が優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-03T17:06:06Z)
• 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)
• 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)
• Planning and Learning with Adaptive Lookahead [74.39132848733847]
  ポリシーイテレーション(PI)アルゴリズムは、欲求の一段階の改善と政策評価を交互に行う。 近年の文献では、複数段階のルックアヘッドポリシーの改善が、イテレーション毎の複雑さの増加を犠牲にして、よりコンバージェンス率の向上につながることが示されている。 本研究では,多段階の地平線を状態と推定値の関数として動的に適応する手法を初めて提案する。
  論文  参考訳（メタデータ） (2022-01-28T20:26:55Z)
• A Multilinear Sampling Algorithm to Estimate Shapley Values [4.771833920251869]
  ゲーム理論に適用したマルチ線形拡張手法に基づく新しいサンプリング手法を提案する。 本手法は任意の機械学習モデル,特に多クラス分類や回帰問題に適用可能である。
  論文  参考訳（メタデータ） (2020-10-22T21:47:16Z)

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。