論文の概要: Exactly Computing do-Shapley Values

• arxiv url: http://arxiv.org/abs/2602.07203v1
• Date: Fri, 06 Feb 2026 21:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.50275
• Title: Exactly Computing do-Shapley Values
• Title（参考訳）: 実際にdo-Shapley値を計算する
• Authors: R. Teal Witter, Álvaro Parafita, Tomas Garriga, Maximilian Muschalik, Fabian Fumagalli, Axel Brando, Lucas Rosenblatt,
• Abstract要約: 既約集合の数が$r$である場合、do-Shapley値を時間線型に計算する方法を示す。 また、do-Shapley値の非パラメトリック識別性は、$d$シングルトン連立に対する介入効果の識別のみを必要とすることも証明した。
• 参考スコア（独自算出の注目度）: 16.29328788692574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural Causal Models (SCM) are a powerful framework for describing complicated dynamics across the natural sciences. A particularly elegant way of interpreting SCMs is do-Shapley, a game-theoretic method of quantifying the average effect of $d$ variables across exponentially many interventions. Like Shapley values, computing do-Shapley values generally requires evaluating exponentially many terms. The foundation of our work is a reformulation of do-Shapley values in terms of the irreducible sets of the underlying SCM. Leveraging this insight, we can exactly compute do-Shapley values in time linear in the number of irreducible sets $r$, which itself can range from $d$ to $2^d$ depending on the graph structure of the SCM. Since $r$ is unknown a priori, we complement the exact algorithm with an estimator that, like general Shapley value estimators, can be run with any query budget. As the query budget approaches $r$, our estimators can produce more accurate estimates than prior methods by several orders of magnitude, and, when the budget reaches $r$, return the Shapley values up to machine precision. Beyond computational speed, we also reduce the identification burden: we prove that non-parametric identifiability of do-Shapley values requires only the identification of interventional effects for the $d$ singleton coalitions, rather than all classes.
• Abstract（参考訳）: 構造因果モデル(Structure Causal Models, SCM)は、自然科学における複雑な力学を記述するための強力なフレームワークである。 SCMを特にエレガントに解釈する方法はdo-Shapleyであり、指数関数的に多くの介入に対して$d$変数の平均効果を定量化するゲーム理論である。 Shapley値と同様に、do-Shapley値の計算には指数関数的に多くの用語を評価する必要がある。 我々の研究の基盤は、基礎となるSCMの既約集合の観点から、do-Shapley値の再構成である。 この知見を生かして、既約集合の数が$r$の時間で正確にdo-Shapley値を計算することができ、SCMのグラフ構造によっては$d$から$2^d$までの範囲で計算できる。 r$はプライオリであるため、一般的なShapley値推定器と同様に、クエリ予算で実行できる推定器で、正確なアルゴリズムを補完する。 クエリ予算が$r$に近づくと、推定器は以前のメソッドよりも数桁の精度で見積もりを生成し、予算が$r$に達したら、Shapleyの値をマシンの精度まで返します。 do-Shapley値の非パラメトリック識別性は、すべてのクラスではなく、$d$シングルトン連合に対する介入効果の識別のみを必要とすることを証明します。

関連論文リスト

• Shapley-Inspired Feature Weighting in $k$-means with No Additional Hyperparameters [2.3940819037450987]
  クラスタリングアルゴリズムは、すべての機能がデータ構造に等しく寄与していると仮定することが多い。 SHARK(Shapley Reweighted $k$-means)は,Shapley値を用いた特徴量クラスタリングアルゴリズムである。 合成および実世界のデータセットの実験は、SHARKが既存の手法と一貫して一致し、性能を向上していることを示している。
  論文  参考訳（メタデータ） (2025-08-11T13:07:21Z)
• FW-Shapley: Real-time Estimation of Weighted Shapley Values [21.562508939780532]
  我々は、重み付きシェープリー値を効率的に計算するアモータイズされたフレームワークであるFast Weighted Shapleyを提案する。 また,本実験では,基礎的真理重み付きシェープリー値を使用しなくても,理論的に有効であることを示す。 データバリュエーションに関しては、最先端のKNN Shapleyに匹敵するものながら、はるかに高速(14倍)です。
  論文  参考訳（メタデータ） (2025-03-09T13:13:14Z)
• 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)
• 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)
• Fast Approximation of the Shapley Values Based on Order-of-Addition Experimental Designs [11.684428415506968]
  $d$-player 連立ゲームでは、Shapley の値を計算するには$d!$ または $2d$ の限界貢献値が必要である。 一般的な治療法は、置換の完全なリストを補うために、置換のランダムなサンプルを取ることである。 我々はシェープリー値のより正確な推定を行うために、高度なサンプリングスキームを設計できることを見出した。
  論文  参考訳（メタデータ） (2023-09-16T08:28:15Z)
• DU-Shapley: A Shapley Value Proxy for Efficient Dataset Valuation [23.646508094051768]
  我々は、データセットのバリュエーションの問題、すなわち、インクリメンタルゲインを定量化する問題を考える。 Shapleyの値は、その正式な公理的正当化のためにデータセットのバリュエーションを実行する自然なツールである。 本稿では,離散一様分布下での予測として表現される離散一様シャプリーと呼ばれる新しい近似を提案する。
  論文  参考訳（メタデータ） (2023-06-03T10:22:50Z)
• 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)
• Nearly Minimax Optimal Reinforcement Learning for Linear Markov Decision Processes [80.89852729380425]
  そこで本研究では,最小限の最小残差である$tilde O(dsqrtH3K)$を計算効率よく実現したアルゴリズムを提案する。 我々の研究は線形 MDP を用いた最適 RL に対する完全な答えを提供する。
  論文  参考訳（メタデータ） (2022-12-12T18:58:59Z)
• Towards Efficient Data Valuation Based on the Shapley Value [65.4167993220998]
  本稿では,Shapley値を用いたデータ評価の問題点について検討する。 Shapleyの値は、データ値の概念に対して多くのデシダータを満たすユニークなペイオフスキームを定義する。 本稿では,Shapley値を近似する効率的なアルゴリズムのレパートリーを提案する。
  論文  参考訳（メタデータ） (2019-02-27T00:22:43Z)

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。