論文の概要: Nonlinear Axiomatic Attribution for Cooperative Games

• arxiv url: http://arxiv.org/abs/2607.09869v1
• Date: Fri, 10 Jul 2026 18:02:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.2318
• Title: Nonlinear Axiomatic Attribution for Cooperative Games
• Title（参考訳）: 協調ゲームにおける非線形公理的属性
• Authors: Weida Li, Zhuanghua Liu, Yaoliang Yu, Bryan Kian Hsiang Low,
• Abstract要約: 残りの公理を保持する非線形帰属法のクラスを導入する。 本実験は,Shapley値の変種と比較して,これらの手法の有効性を実証した。
• 参考スコア（独自算出の注目度）: 72.04288767658888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Shapley value is a widely used concept in attribution problems, as it uniquely satisfies the axioms of linearity, consistency, equal treatment, and efficiency. Often, the inclusion AUC metric is used to evaluate the quality of player rankings, in order to identify positively participating players. However, it can be established that the Shapley value is not always reliable for this purpose. The core issue lies in its linearity: the Shapley value acts as a linear operator with an excessively large null space, which is likely to contain non-negligible perturbations that remain indistinguishable to the operator. To address this limitation, we explore the design of nonlinear axiomatic attribution methods. Inspired by the least core, which is a popular nonlinear substitute for the Shapley value, we introduce a class of nonlinear attribution methods that retain the remaining necessary axioms. Each method yields a contribution vector that is the unique optimal solution to a minimization problem, which aims to approximate utility functions as faithfully as possible. In terms of the inclusion AUC metric, our experiments demonstrate the potential effectiveness of these methods compared to Shapley value variants that relax only the efficiency axiom. Our code is available at https://github.com/watml/nonlinear-axiom.
• Abstract（参考訳）: 共有値(Shapley value)は帰属問題において広く用いられる概念であり、線形性、整合性、等処理、効率性の公理を一意に満足する。 しばしば、AUCメトリックは、肯定的な参加選手を特定するために、プレイヤーランキングの質を評価するために使用される。 しかし、この目的のためにシェープの値が常に信頼できるとは限らないことが確認できる。 シャプリーの値は、過度に大きいヌル空間を持つ線型作用素として作用し、作用素と区別できない非無視的摂動を含む可能性が高い。 この制限に対処するため、非線形公理的帰属法の設計について検討する。 シャプリー値の一般的な非線形代用である最小コアに着想を得て、残りの公理を保持する非線形帰属法のクラスを導入する。 各手法は最小化問題に対する一意の最適解である寄与ベクトルを導出し、実用関数をできるだけ忠実に近似することを目的としている。 AUC測定を取り入れた実験では,効率公理のみを緩和するShapley値の変種と比較して,これらの手法の有効性を実証した。 私たちのコードはhttps://github.com/watml/nonlinear-axiom.comで利用可能です。

関連論文リスト

• MinShap: A Modified Shapley Value Approach for Feature Selection [2.635536317968963]
  本稿では,他のアルゴリズムとともにShapley値フレームワークの修正であるemphMinShapを提案する。 MinShapは、LOCO、GCM、Lassoといった最先端の機能選択アルゴリズムを精度と安定性の両方で上回る傾向にある。
  論文  参考訳（メタデータ） (2026-04-16T15:02:22Z)
• Provably Adaptive Linear Approximation for the Shapley Value and Beyond [73.0940890296463]
  基本的で長期にわたる課題は、その効率的な近似である。 一般に用いられるすべての半値に対して$P(|hatboldsymbol-boldsymbol|_2geq)leq$を必要とする線形空間アルゴリズムを開発する。 本アルゴリズムは,各ユーティリティ関数の平均二乗誤差の明示的最小化を可能にする。
  論文  参考訳（メタデータ） (2026-04-09T16:38:14Z)
• An Odd Estimator for Shapley Values [19.262788739385012]
  Shapley値は、特徴の重要性、データバリュエーション、因果推論を含む、機械学習の帰属のためのフレームワークである。 我々は、Shapley値が集合関数の奇数成分にのみ依存していることを証明する。 奇数部分空間のみに回帰を行う一貫した推定器であるOddSHAPを提案する。
  論文  参考訳（メタデータ） (2026-02-01T19:07:16Z)
• Beyond Additivity: Sparse Isotonic Shapley Regression toward Nonlinear Explainability [0.0]
  本稿では,Sparse Isotonic Shapley Regression (SISR)について紹介する。 SISRは単調変換を学び、加法的に復元する。-閉形式仕様の必要性を回避し、Shapleyベクトル上でL0間隔制約を強制する。 SISRはペイオフスキーム間の属性を安定化し、無関係な特徴を正しくフィルタリングする。
  論文  参考訳（メタデータ） (2025-12-02T08:34:43Z)
• FairDICE: Fairness-Driven Offline Multi-Objective Reinforcement Learning [13.825782649016851]
  非線形福祉目的を直接最適化した最初のオフラインMORLフレームワークであるFairDICEを提案する。 複数のオフラインベンチマークで、FairDICEは既存のベースラインと比較して、フェアネスを意識したパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-06-09T09:40:11Z)
• Computing Exact Shapley Values in Polynomial Time for Product-Kernel Methods [12.045776145255404]
  PKeXSIC-Shapleyは、Shapley値の正確な計算を可能にする新しいアルゴリズムである。 私たちのフレームワークは、予測モデリングから統計的推論まで拡張します。
  論文  参考訳（メタデータ） (2025-05-22T10:53:04Z)
• Pessimistic Nonlinear Least-Squares Value Iteration for Offline Reinforcement Learning [53.97335841137496]
  非線形関数近似を用いたオフラインRLにおけるPNLSVI(Pessimistic Least-Square Value Iteration)と呼ばれるオラクル効率のアルゴリズムを提案する。 本アルゴリズムは,関数クラスの複雑性に強く依存する後悔境界を享受し,線形関数近似に特化して最小限のインスタンス依存後悔を実現する。
  論文  参考訳（メタデータ） (2023-10-02T17:42:01Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• LQF: Linear Quadratic Fine-Tuning [114.3840147070712]
  本稿では,非線形微調整に匹敵する性能を実現する事前学習モデルの線形化手法を提案する。 LQFはアーキテクチャの単純な変更、損失関数、そして一般的に分類に使用される最適化で構成されている。
  論文  参考訳（メタデータ） (2020-12-21T06:40:20Z)

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。