論文の概要: Quadrature-TreeSHAP: Depth-Independent TreeSHAP and Shapley Interactions

• arxiv url: http://arxiv.org/abs/2605.04497v1
• Date: Wed, 06 May 2026 05:02:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.650749
• Title: Quadrature-TreeSHAP: Depth-Independent TreeSHAP and Shapley Interactions
• Title（参考訳）: Quadrature-TreeSHAP:depth-independent TreeSHAP and Shapley Interactions
• Authors: Ron Wettenstein, Rory Mitchell, Peng Yu,
• Abstract要約: 既存の手法は、深さ依存ランタイム、数値安定性、高次相互作用のサポートの間のトレードオフを示す。 そこで我々は, 数値的に安定であり, 任意の順序シャプリー相互作用値に自然に拡張される経路依存木SHAPの二次的修正である Quadrature-TreeSHAP を紹介する。 実装はCPUとGPUの両方をサポートし、XGBoostに統合されています。
• 参考スコア（独自算出の注目度）: 3.5265932047958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shapley values are a standard tool for explaining predictions of tree ensembles, with Path-Dependent SHAP being the most widely used variant. Despite substantial progress, existing methods still exhibit trade-offs between depth-dependent runtime, numerical stability, and support for higher-order interactions. To address these challenges, we introduce Quadrature-TreeSHAP, a quadrature-based reformulation of Path-Dependent TreeSHAP that is numerically stable, naturally extends to any-order Shapley interaction values and is practically insensitive to tree depth. Our implementation supports both CPU and GPU and is integrated into XGBoost. Our method is based on a weighted-Banzhaf interaction polynomial, which expresses Banzhaf interaction values as expectations under a feature participation probability $p$. Shapley values and any-order interaction values are then recovered by integrating these polynomials over $p$ from 0 to 1. We evaluate these integrals using Gauss-Legendre quadrature, and show that, in practice, only 8 fixed quadrature points are sufficient to reach machine precision. In fact, Quadrature-TreeSHAP with 8 fixed points achieves greater numerical stability than TreeSHAP. This fixed-point formulation removes depth dependence from the inner computation and enables efficient SIMD execution. We confirm these advantages empirically. On 12 XGBoost benchmarks, Quadrature-TreeSHAP computes Shapley values 1.06x-10.59x faster than TreeSHAP on CPU and 1.84x-6.95x faster than GPUTreeSHAP on GPU. Shapley pairwise interactions are 3.80x-58.11x faster on CPU, with higher-order interactions achieving speedups of up to 1200x compared to TreeSHAP-IQ.
• Abstract（参考訳）: シェープ値はツリーアンサンブルの予測を説明する標準的なツールであり、Path-Dependent SHAPは最も広く使われている変種である。 大幅な進歩にもかかわらず、既存の手法は、深さ依存ランタイム、数値安定性、高次相互作用のサポートの間のトレードオフをまだ示している。 これらの課題に対処するために、Quadrature-TreeSHAPを導入し、Path-Dependent TreeSHAPを数値的に安定し、任意の順序のShapley相互作用値に自然に拡張し、事実上樹木の深さに敏感である。 実装はCPUとGPUの両方をサポートし、XGBoostに統合されています。 提案手法は,バンジャフ相互作用値を期待値として,特徴参加確率$p$で表現する重み付きベンザフ相互作用多項式に基づく。 共有値と任意の順序相互作用値は、これらの多項式を 0 から 1 への$p$ に積分することによって得られる。 ガウス=ルゲンドル二次積分を用いてこれらの積分を評価し、実際には機械精度に到達するのに十分であるのは8つの固定された二次点のみであることを示す。 実際、8つの固定点を持つ四分法TreeSHAPは、TreeSHAPよりも高い数値安定性を達成する。 この固定点定式化は、内部計算からの深さ依存を除去し、効率的なSIMD実行を可能にする。 これらの利点を実証的に確認する。 12のXGBoostベンチマークでは、Quadrature-TreeSHAPはCPU上のTreeSHAPより1.06x-10.59倍高速でGPU上のGPUTreeSHAPより1.84x-6.95倍高速である。 共有対の相互作用はCPUでは3.80x-58.11倍高速で、TreeSHAP-IQに比べて1200倍の高速化を実現している。

関連論文リスト

• TreeGrad-Ranker: Feature Ranking via $O(L)$-Time Gradients for Decision Trees [73.0940890296463]
  確率値は、決定木の局所的な予測値を説明する特徴のランク付けに使用される。 TreeGradは、共同目的の多重線型拡張の勾配を$O(L)$時間で計算する。 TreeGrad-Rankerは、機能ランキングを生成するために共同目標を最適化しながら、勾配を集約する。 TreeGrad-Shapは、積分パラメータを持つベータシェープ値を計算するための数値的に安定なアルゴリズムである。
  論文  参考訳（メタデータ） (2026-02-12T06:17:12Z)
• PolySHAP: Extending KernelSHAP with Interaction-Informed Polynomial Regression [26.711792479550954]
  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。
  論文  参考訳（メタデータ） (2026-01-26T15:47:45Z)
• From Decision Trees to Boolean Logic: A Fast and Unified SHAP Algorithm [45.88028371034407]
  我々は、決定木、ゲーム理論、ブール論理を統一したフレームワークに統合するSHAPアルゴリズムであるWOODELFを紹介する。 WoodELFはCPUやGPUのハードウェアでも効率的に動作するように設計されている。
  論文  参考訳（メタデータ） (2025-11-12T14:43:27Z)
• Beyond TreeSHAP: Efficient Computation of Any-Order Shapley Interactions for Tree Ensembles [6.664930499708017]
  シェープリー値(Shapley value, SV)は、予測の付加的特徴属性を定量化するための説明可能な人工知能(XAI)研究における概念である。 TreeSHAP-IQは木モデル予測のための任意の順序加法シャプリー相互作用を効率的に計算する手法である。
  論文  参考訳（メタデータ） (2024-01-22T16:08:41Z)
• 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)
• Policy Gradient with Tree Expansion [72.10002936187388]
  政策勾配法は、大きなばらつきと高いサンプルの複雑さを持つことで有名である。 我々は、計画を採用するソフトマックスの一般化であるSoftTreeMaxを紹介します。 我々は、SoftTreeMaxが勾配のばらつきを3桁に減らすことを示す。
  論文  参考訳（メタデータ） (2023-01-30T19:03:14Z)
• SoftTreeMax: Policy Gradient with Tree Search [72.9513807133171]
  我々は、ツリー検索をポリシー勾配に統合する最初のアプローチであるSoftTreeMaxを紹介します。 Atariでは、SoftTreeMaxが分散PPOと比較して、実行時のパフォーマンスを最大5倍向上させる。
  論文  参考訳（メタデータ） (2022-09-28T09:55:47Z)
• Fast TreeSHAP: Accelerating SHAP Value Computation for Trees [0.0]
  本稿では,大規模なデータセットに対する TreeShap の計算効率を向上させるために,Fast TreeSHAP v1 と v2 を提案する。 Fast TreeShap v1はTreeShapよりも1.5倍高速で、メモリコストは変わらない。 Fast TreeShap v2はTreeShapよりも2.5倍高速で、メモリ使用量もわずかに高い。
  論文  参考訳（メタデータ） (2021-09-20T21:13:23Z)
• GPUTreeShap: Massively Parallel Exact Calculation of SHAP Scores for Tree Ensembles [0.8057006406834467]
  本稿では,グラフィック処理ユニット上での大規模並列計算に適したツリーサップアルゴリズムを提案する。 我々は,最先端のマルチコアCPU実装を用いて,SHAP値の最大19倍,SHAP値の最大340倍の高速化を実現する。
  論文  参考訳（メタデータ） (2020-10-27T00:55:07Z)

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。