論文の概要: RelShap: Relationally Consistent Shapley Explanations

• arxiv url: http://arxiv.org/abs/2608.11508v1
• Date: Tue, 11 Aug 2026 23:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.403431
• Title: RelShap: Relationally Consistent Shapley Explanations
• Title（参考訳）: RelShap: 関係的に一貫性のあるシェープな説明
• Abstract要約: RelShapは、リレーショナル制約とデータプロファイランスをShapley値に組み込むフレームワークである。 フレームワークは推定器に依存しず、サンプリング特性や重み付け特性を変化させることなく、Kernel SHAP、Monte Carlo、SHAPと構成する。
• 参考スコア（独自算出の注目度）: 16.81821907834537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning pipelines commonly flatten relational data into single-table representations, discarding structural constraints. Widely used Shapley value-based feature attributions then rely on feature independence, evaluating the model on combinations that could never arise in the underlying data, producing misleading explanations. We propose RelShap, a framework that incorporates relational constraints and data provenance into Shapley value computation, restricting both background data and coalition evaluation to relationally valid configurations. The framework is estimator-agnostic and composes with Kernel SHAP, Monte Carlo, and Leverage SHAP without altering their sampling or weighting properties. Functional dependencies further induce equivalence classes over feature coalitions, which RelShap exploits to reduce runtime without changing Shapley values; we provide a combinatorial characterization of the expected speedup. Experiments across multiple datasets, models, and estimators show that RelShap produces explanations that are more faithful to the data-generating process, correctly identifying the dominant feature in controlled settings where existing methods, including Conditional SHAP and ManifoldShap, do not. Our code is available at: https://github.com/duneag2/relshap.
• Abstract（参考訳）: マシンラーニングパイプラインは通常、リレーショナルデータを単一のテーブル表現にフラットにし、構造的制約を捨てる。 広く使われているShapleyの価値に基づく特徴属性は、機能独立に依存し、基礎となるデータには生じない組み合わせのモデルを評価し、誤解を招く説明を生み出します。 RelShapは、関係制約とデータ証明をShapley値計算に組み込んだフレームワークで、背景データと連立評価の両方をリレーショナルに有効な構成に制限する。 このフレームワークは推定器に依存しず、サンプリング特性や重み付け特性を変更することなく、Kernel SHAP, Monte Carlo, Leverage SHAPと合成する。 RelShapは、Shapleyの値を変更せずにランタイムを削減します。 複数のデータセット、モデル、推定器にわたる実験によると、RelShapはデータ生成プロセスに忠実な説明を生成し、Conditional SHAPやManifoldShapなど、既存のメソッドがそうでないコントロール設定において、支配的な特徴を正しく識別する。 私たちのコードは、https://github.com/duneag2/relshap.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)
• Local Shapley: Model-Induced Locality and Optimal Reuse in Data Valuation [32.861851772914996]
  Shapleyはデータバリュエーションの原則的な基盤だが、指数的連立空間のため、正確な計算は#Pハードである。 このモデルによって引き起こされる局所性は、モデルの計算経路によって定義されるサポートセットによって定式化する。 そこで我々はLSMRを提案する。LSMRは最適な部分集合中心アルゴリズムであり、各影響部分集合を正確に1度訓練する。
  論文  参考訳（メタデータ） (2026-03-04T02:59:23Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• shapr: Explaining Machine Learning Models with Conditional Shapley Values in R and Python [0.6562256987706128]
  ShaprはShapley値ベースの予測説明を生成する汎用ツールである。 Shaprpy Pythonライブラリは、Shaprのコア機能をPythonエコシステムにもたらす。
  論文  参考訳（メタデータ） (2025-04-02T15:47:30Z)
• Improving the Weighting Strategy in KernelSHAP [0.8057006406834466]
  説明可能なAI(XAI)では、Shapley値が、複雑な機械学習モデルによる予測を説明する一般的なフレームワークである。 本稿では,結果のShapley値近似のばらつきを低減するために,決定論的重みを1つに置き換えるKernelSHAPの新たな改良を提案する。 提案手法は, 近似したShapley値と同じ精度を保ちながら, 必要なコントリビューション関数の評価を5%$から50%$に削減することができる。
  論文  参考訳（メタデータ） (2024-10-07T10:02:31Z)
• 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)
• Efficient Shapley Values Estimation by Amortization for Text Classification [66.7725354593271]
  我々は,各入力特徴のシェープ値を直接予測し,追加のモデル評価を行なわずに補正モデルを開発する。 2つのテキスト分類データセットの実験結果から、アモルタイズされたモデルでは、Shapley Valuesを最大60倍のスピードアップで正確に見積もっている。
  論文  参考訳（メタデータ） (2023-05-31T16:19:13Z)
• Shapley-NAS: Discovering Operation Contribution for Neural Architecture Search [96.20505710087392]
  ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。 提案手法は,光探索コストに比例して最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-20T14:41:49Z)
• Counterfactual Shapley Additive Explanations [6.916452769334367]
  本稿では,逆ファクト生成技術を用いて背景データセットを生成するSHAPの変種であるCoSHAPを提案する。 我々は、特徴属性にShapley値を使用する場合、背景データセットを慎重に考慮するためのアクション可能なリコース設定の必要性を動機付けている。
  論文  参考訳（メタデータ） (2021-10-27T08:44:53Z)
• Partial Order in Chaos: Consensus on Feature Attributions in the Rashomon Set [50.67431815647126]
  ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。 この手法により局所的・言語的特徴の半順序が生じることを示す。 これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
  論文  参考訳（メタデータ） (2021-10-26T02:53:14Z)
• groupShapley: Efficient prediction explanation with Shapley values for feature groups [2.320417845168326]
  シェープ価値は、機械学習モデルから予測を説明するための最も適切で理論的に健全なフレームワークの1つとして、自らを確立している。 Shapley値の主な欠点は、その計算複雑性が入力機能の数で指数関数的に増加することである。 本稿では、上記のボトルネックを扱うための概念的にシンプルなアプローチであるgroupShapleyを紹介する。
  論文  参考訳（メタデータ） (2021-06-23T08:16:14Z)
• 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)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。