論文の概要: Fair feature attribution for multi-output prediction: a Shapley-based perspective

• arxiv url: http://arxiv.org/abs/2602.22882v1
• Date: Thu, 26 Feb 2026 11:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.659131
• Title: Fair feature attribution for multi-output prediction: a Shapley-based perspective
• Title（参考訳）: マルチアウトプット予測のための公正な特徴属性:シェープリーに基づく視点
• Authors: Umberto Biccari, Alain Ibáñez de Opakua, José María Mato, Óscar Millet, Roberto Morales, Enrique Zuazua,
• Abstract要約: 本稿では,Shapleyフレームワーク内の複数出力予測器に対する特徴属性の公理的特徴付けを行う。 古典的なシェープリー公理をベクトル値の協調ゲームに拡張することにより、効率、対称性、ダミープレーヤ、および加算性を満たす任意の帰属規則が出力全体にわたって成分的に必然的に分解されなければならないことを示す剛性定理を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this article, we provide an axiomatic characterization of feature attribution for multi-output predictors within the Shapley framework. While SHAP explanations are routinely computed independently for each output coordinate, the theoretical necessity of this practice has remained unclear. By extending the classical Shapley axioms to vector-valued cooperative games, we establish a rigidity theorem showing that any attribution rule satisfying efficiency, symmetry, dummy player, and additivity must necessarily decompose component-wise across outputs. Consequently, any joint-output attribution rule must relax at least one of the classical Shapley axioms. This result identifies a previously unformalized structural constraint in Shapley-based interpretability, clarifying the precise scope of fairness-consistent explanations in multi-output learning. Numerical experiments on a biomedical benchmark illustrate that multi-output models can yield computational savings in training and deployment, while producing SHAP explanations that remain fully consistent with the component-wise structure imposed by the Shapley axioms.
• Abstract（参考訳）: 本稿では,Shapleyフレームワーク内の複数出力予測器に対する特徴属性の公理的特性について述べる。 SHAPの説明は出力座標ごとに独立に計算されるが、この手法の理論的必要性はいまだ不明である。 古典的なシェープリー公理をベクトル値の協調ゲームに拡張することにより、効率、対称性、ダミープレーヤ、および加算性を満たす任意の帰属規則が出力全体にわたって成分的に必然的に分解されなければならないことを示す剛性定理を確立する。 したがって、任意の合同出力帰属規則は、古典的なシャプリー公理の少なくとも1つを緩和しなければならない。 この結果は、シェープリーに基づく解釈可能性において以前に形式化されていない構造的制約を特定し、マルチアウトプット学習における公平で一貫性のある説明の正確なスコープを明確にする。 バイオメディカル・ベンチマークの数値実験は、マルチアウトプットモデルが訓練と展開において計算的な節約を得られる一方で、シャプリー公理によって課されるコンポーネント単位の構造と完全に整合したSHAP説明を生成することを示している。

関連論文リスト

• Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• Beyond Shapley Values: Cooperative Games for the Interpretation of Machine Learning Models [0.3749861135832073]
  我々は、協調ゲーム理論を解釈可能性の観点から再考し、そのツールのより広くより原則化された利用を論じる。 We highlight two general general family of efficient allocations, the Weber and Harsanyi set, which extends beyond Shapley values。 本稿では,これらのアロケーション方式の概要を述べるとともに,値関数とアグリゲーション規則の区別を明確にし,信頼性と理論的な特徴属性を構築するための3段階の青写真を紹介する。
  論文  参考訳（メタデータ） (2025-06-16T18:22:23Z)
• 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)
• On the Tractability of SHAP Explanations under Markovian Distributions [0.1578515540930834]
  SHAPフレームワークはMLモデルの局所的な説明可能性のための最も広く利用されているフレームワークの1つである。 その人気にもかかわらず、その正確な計算は非常に困難であることが知られ、様々な構成においてNP-Hardであることが証明されている。 近年の研究では、特定のモデルファミリーに対するSHAPスコアの計算に関して、肯定的な複雑性の結果が明らかにされている。
  論文  参考訳（メタデータ） (2024-05-05T13:56:12Z)
• The vacuum provides quantum advantage to otherwise simulatable architectures [49.1574468325115]
  理想のゴッテマン・キタエフ・プレスキル安定化状態からなる計算モデルを考える。 測定結果の確率密度関数を計算するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-19T18:03:17Z)
• Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
  部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。 線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
  論文  参考訳（メタデータ） (2022-04-20T21:15:38Z)

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。