論文の概要: Verified SHAP: Provable Bounds for Exact Shapley Values of Neural Networks

• arxiv url: http://arxiv.org/abs/2605.24084v1
• Date: Fri, 22 May 2026 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.623984
• Title: Verified SHAP: Provable Bounds for Exact Shapley Values of Neural Networks
• Title（参考訳）: 検証されたSHAP:ニューラルネットワークの特異値の予測可能な境界
• Authors: David Boetius, Shahaf Bassan, Guy Katz, Stefan Leue, Tobias Sutter,
• Abstract要約: 本稿では、ニューラルネットワークに対するSHAP値の厳密な下限と上限を任意に計算するアルゴリズムを提案する。 我々の手法は、最先端の正確な手法よりもはるかに大きな探索空間にスケールできることを実証する。
• 参考スコア（独自算出の注目度）: 11.94908292336396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shapley additive explanations (SHAP) are widely recognised as computationally intractable for neural networks, since they induce an exponential search space over the input features. In this work, we take a first step towards scaling exact SHAP computation to larger search spaces by introducing an algorithm that leverages recent advances in neural network verification to compute arbitrarily tight exact lower and upper bounds on SHAP values for neural networks, ultimately recovering the exact SHAP values. We demonstrate that our approach scales to orders of magnitude larger search spaces than state-of-the-art exact methods. This provides an important first step towards exact SHAP computation and establishes a principled cornerstone for evaluating statistical approximation methods on larger search spaces.
• Abstract（参考訳）: シェープな加法的説明(SHAP)は、入力特徴に対する指数的な探索空間を誘導するため、ニューラルネットワークにとって計算的に難解であると広く認識されている。 本研究では、ニューラルネットワーク検証の最近の進歩を活用して、ニューラルネットワークに対するSHAP値の厳密な下限と上限を任意に計算し、最終的に正確なSHAP値を復元するアルゴリズムを導入することにより、正確なSHAP計算をより大きな検索空間に拡張する第一歩を踏み出す。 我々の手法は、最先端の正確な手法よりもはるかに大きな探索空間にスケールできることを実証する。 これにより、SHAP計算の精度向上に向けた重要な第一歩となり、より大規模な探索空間上での統計的近似法を評価するための基礎となる原則が確立される。

関連論文リスト

• Compelling ReLU Networks to Exhibit Exponentially Many Linear Regions at Initialization and During Training [1.7205106391379021]
  ReLUアクティベートされたニューラルネットワークでは、出力中の断片的線形領域の数は、深さとともに指数関数的に増加する。 深度のパラメータ化を新たに導入し,さらに多次元的な学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-29T19:09:48Z)
• 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)
• Forward-Forward Algorithm for Hyperspectral Image Classification: A Preliminary Study [0.0]
  フォワードフォワードアルゴリズム(FFA)は、ネットワークパラメータを最適化するために局所良性関数を計算する。 本研究では,FFAのハイパースペクトル画像分類への応用について検討した。
  論文  参考訳（メタデータ） (2023-07-01T05:39:28Z)
• Provable Preimage Under-Approximation for Neural Networks (Full Version) [27.519993407376862]
  ニューラルネットワークに対する任意のポリヘドロン出力セットの事前像の記号的アンダー近似を生成するための効率的な時空アルゴリズムを提案する。 実験により,本手法の有効性を,高次元MNIST分類タスクを含む領域にわたって検証した。 我々は,形式的な保証を提供するために,ポリトープ表現の不整合和を利用する,前者のための健全で完全なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-05T16:55:27Z)
• A Bootstrap Algorithm for Fast Supervised Learning [0.0]
  ニューラルネットワーク(NN)のトレーニングは通常、勾配降下(および勾配降下(SGD))、ADADELTA、ADAM、制限メモリアルゴリズムなど、ある種の曲線追従手法に依存する。 これらのアルゴリズムの収束は通常、高いレベルの精度を達成するために大量の観測にアクセスできることに依存しており、特定の種類の関数で、これらのアルゴリズムはキャッチするデータポイントの複数のエポックを取ることができる。 ここでは、収束速度が劇的に向上する可能性を秘めている別の手法を探求する: カーブフォローではなく、隠れた層を「疎結合」することなどに依存する。
  論文  参考訳（メタデータ） (2023-05-04T18:28:18Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Precise Multi-Neuron Abstractions for Neural Network Certification [2.149265948858581]
  PRIMAは任意の非線形アクティベーションの正確な凸近似を計算するフレームワークです。 ReLU, Sigmoid, Tanhアクティベーションを用いたチャレンジングニューラルネットワークにおけるPRIMAの有効性を評価する。
  論文  参考訳（メタデータ） (2021-03-05T12:53:24Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。