論文の概要: Beyond Shapley: Efficient Computation of Asymmetric Shapley Values

• arxiv url: http://arxiv.org/abs/2606.25103v1
• Date: Tue, 23 Jun 2026 19:19:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 21:36:10.201057
• Title: Beyond Shapley: Efficient Computation of Asymmetric Shapley Values
• Title（参考訳）: Beyond Shapley: 非対称なShapley値の効率的な計算
• Authors: Ezequiel Companeetz, Santiago Cifuentes, Sergio Abriola,
• Abstract要約: Asymmetric Shapley Values (ASV) として知られるShapley値の変種を考える。 SHAPの組み入れが$#P$-hardである特定の文脈において、ASVの正確な処理は時間内に行うことができることを示す。 本研究では,任意の因果DAGにおけるASVの近似アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 1.376408511310322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of explainability in machine learning models through feature attribution methods. In particular, we consider a variant of Shapley values known as Asymmetric Shapley Values (ASV), which enables the incorporation of causal knowledge into model-agnostic explanations through the use of a causal graph. We show that in certain contexts in which the computation of SHAP is $\#P$-hard, the exact computation of ASV can be done in polynomial time. To extend this algorithmic result, we introduce a notion of equivalence classes over the topological orderings of the underlying causal graph, which is useful to reduce the time to compute ASV. In particular, we present a polynomial-time algorithm (in the number of equivalence classes) to compute it whenever the causal graph is a rooted directed tree. Finally, we develop an algorithm for approximating ASV in arbitrary causal DAGs which relies on a procedure to sample topological orderings uniformly at random. To implement this sampling mechanism we leverage known algorithms as well as simpler alternatives. Our experimental results demonstrate the practical viability of the proposed approach in realistic causal structures.
• Abstract（参考訳）: 特徴属性法による機械学習モデルにおける説明可能性の問題に対処する。 特に、非対称シェープ値(ASV)と呼ばれるシャプリー値の変種を考え、因果グラフを用いて因果知識をモデルに依存しない説明に組み込むことができる。 SHAPの計算が$\#P$-hardである特定の文脈において、ASVの正確な計算は多項式時間で行うことができることを示す。 このアルゴリズムの結果を拡張するために、基底となる因果グラフのトポロジ的順序に対する同値クラスの概念を導入し、ASVの計算時間を削減するのに有用である。 特に、因果グラフがルート有向木であるときに、多項式時間アルゴリズム(同値類の数)を演算する。 最後に,任意の因果DAGでASVを近似するアルゴリズムを開発した。 このサンプリング機構を実装するには、既知のアルゴリズムと、より単純な代替手段を利用する。 本実験は,現実的な因果構造における提案手法の実用可能性を示すものである。

関連論文リスト

• Exact Shapley Attributions in Quadratic-time for FANOVA Gaussian Processes [12.496136169054541]
  シェープ値は、機械学習において入力特徴に重要性をもたらすための原則的手法として広く認識されている。 また,Shapley値の正確な計算量は特徴数とともに指数関数的にスケールすることを示した。 我々の研究は、構造化確率モデルによって生成される予測について、よりスケーラブルで、公理的に、そして不確実性を考慮した説明を提供する。
  論文  参考訳（メタデータ） (2025-08-20T07:39:14Z)
• Fast Calculation of Feature Contributions in Boosting Trees [10.968795392216606]
  本稿では,2次損失に対するShapley値の計算複雑性を時間的に低減するアルゴリズムを提案する。 シミュレーションの結果,Q-SHAPは計算効率を向上するだけでなく,特徴特異的な$R2$推定の精度も向上することがわかった。
  論文  参考訳（メタデータ） (2024-07-03T21:27:29Z)
• 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)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Randomized Polar Codes for Anytime Distributed Machine Learning [66.46612460837147]
  本稿では,低速な計算ノードに対して堅牢で,線形演算の近似計算と精度の両立が可能な分散コンピューティングフレームワークを提案する。 本稿では,復号化のための計算複雑性を低く保ちながら,実数値データを扱うための逐次復号アルゴリズムを提案する。 大規模行列乗算やブラックボックス最適化など,様々な文脈において,このフレームワークの潜在的な応用を実証する。
  論文  参考訳（メタデータ） (2023-09-01T18:02:04Z)
• Learning distributed representations with efficient SoftMax normalization [3.8673630752805437]
  有界ノルムを持つ埋め込みベクトルに対して$rm SoftMax(XYT)$の正規化定数を計算する線形時間近似を提案する。 本稿では,提案手法が競合手法よりも高い精度あるいは同等の精度を達成できるような事前学習した埋め込みデータセットについて述べる。 提案アルゴリズムは解釈可能で,任意の埋め込み問題に容易に適応できる。
  論文  参考訳（メタデータ） (2023-03-30T15:48:26Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Accurate Shapley Values for explaining tree-based models [0.0]
  木構造を効率的に利用し,最先端の手法よりも精度の高い2つのシェープ値推定器を導入する。 これらのメソッドはPythonパッケージとして利用できる。
  論文  参考訳（メタデータ） (2021-06-07T17:35:54Z)
• Fast Hierarchical Games for Image Explanations [78.16853337149871]
  本稿では,シェープリー係数の階層的拡張に基づく画像分類のモデル非依存な説明法を提案する。 他のShapleyベースの説明手法とは異なり、h-Shapはスケーラブルで近似を必要とせずに計算できる。 本手法は,合成データセット,医用画像シナリオ,一般コンピュータビジョン問題において,一般的なシャプリーベースおよび非サプリーベース手法と比較した。
  論文  参考訳（メタデータ） (2021-04-13T13:11:02Z)

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。