論文の概要: LandscapeSHAP: Which Persistent Homology Class Gets the Credit?

• arxiv url: http://arxiv.org/abs/2609.31469v1
• Date: Fri, 25 Sep 2026 16:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.486731
• Title: LandscapeSHAP: Which Persistent Homology Class Gets the Credit?
• Title（参考訳）: LandscapeSHAP: どの永続的なホモロジークラスがクレジットを得るのか?
• Abstract要約: 本研究では,モデルの予測に基づいて,永続化図点への公平な信用割当手法であるLandscapeSHAPを紹介する。 線形モデルの場合、LandscapeSHAPは、すべての永続化ダイアグラムポイントの正確なShapley値を与えるクローズドフォーム表現を持つ。 一般的な非線形モデルでは、このユニークな値は定義された連立平均化式からのみ正確に計算できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shapley values, a solution concept from cooperative game theory, have recently become a standard tool for feature credit allocation in machine learning. They provide an axiomatically justified method to fairly distribute a model's prediction among the data features. Shapley values have not yet been applied to explain machine learning models trained on features from topological data analysis. We develop what we believe is the first such approach, focusing on the persistence landscape featurization of persistence diagrams. Because each landscape coordinate is a rank statistic, crediting a model's prediction back to individual persistent homology classes (persistence diagram points) is nontrivial. We introduce LandscapeSHAP, a method for fair credit allocation to persistence diagram points based on a model's prediction. For linear models on persistence landscapes, LandscapeSHAP has a closed form expression that gives the exact Shapley value of every persistence diagram point. In particular, there is no coalition sampling required. We further prove that the four Shapley "fairness" axioms uniquely characterize this credit allocation for any model, not only linear ones. For a general nonlinear model, this unique value can only be calculated exactly from its defining coalition averaging formula, which requires considering all $2^N$ many coalitions, where $N$ is the number of points in the persistence diagram. This is computationally intractable for persistence diagrams of realistic size. We complement the exact linear model result with an efficient Monte Carlo sampling of persistence diagram coalitions. We give convergence rates in terms of number of samples needed to approximate to a desired degree of accuracy. We also prove stability results for the LandscapeSHAP credit allocation, for any model.
• Abstract（参考訳）: 協調ゲーム理論のソリューション概念であるシェープリー値(Shapley values)は、最近、機械学習における特徴クレジット割り当ての標準ツールとなっている。 それらは、データ特徴間でモデルの予測を公平に分配する、公理的に正当化された方法を提供する。 シェープ値はまだ、トポロジカルデータ分析から訓練された特徴に基づく機械学習モデルを説明するために適用されていない。 私たちは、永続化ダイアグラムの持続的なランドスケープのデファチュアライズに焦点をあてて、最初のそのようなアプローチであると信じているものを開発します。 各ランドスケープ座標はランク統計学であるため、モデルの予測を個々の持続ホモロジークラス(パーシステンス・ダイアグラム・ポイント)に還元することは簡単ではない。 本研究では,モデルの予測に基づいて,永続化図点への公平な信用割当手法であるLandscapeSHAPを紹介する。 永続化ランドスケープSHAPは、永続化ランドスケープの線形モデルに対して、すべての永続化ダイアグラムポイントの正確なシェープ値を与えるクローズドフォーム表現を持つ。 特に、連立サンプリングは必要ありません。 さらに、4つのシャプリーの「フェアネス」公理が任意のモデルに対するこの信用割当を一意に特徴付けていることを証明している。 一般的な非線形モデルの場合、このユニークな値は定義された連立平均化公式からのみ正確に計算できる。 これは、現実的な大きさの永続化ダイアグラムに対して計算的に難解である。 我々は, パーシステンスダイアグラム連成の効率的なモンテカルロサンプリングにより, 正確な線形モデルの結果を補完する。 所望の精度に近似するために必要なサンプルの数で収束率を与える。 また、LandscapeSHAPクレジットアロケーションの安定性を任意のモデルで証明する。

関連論文リスト

• PAWBench: How Far Are We from Probabilistically Aligned World Modeling? [60.16773899025656]
  この分布レベルの要件を確率的アライメント(probabilistic alignment)と呼ぶ。 PAWBenchは、ビデオジェネレータを世界ダイナミクスのサンプルとして評価するためのベンチマークである。 本稿では、繰り返しビデオのロールアウトを経験的分布に変換する結果レベルプロトコルであるPAWEvalを紹介する。
  論文  参考訳（メタデータ） (2026-08-27T16:46:38Z)
• ExplainerPFN: Towards tabular foundation models for model-free zero-shot feature importance estimations [15.177865402589122]
  ExplainerPFNは、基礎となるモデルや参照説明にアクセスせずにShapley値を推定するためのゼロショットメソッドである。 ExplainerPFN は 2-10 SHAP の例に依存した数発のサロゲート説明器で性能の競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2026-01-30T15:17:36Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• 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)
• Deconstructing Distributions: A Pointwise Framework of Learning [15.517383696434162]
  テスト分布におけるモデルの平均性能と、この個々の点におけるポイントワイズ性能の関係について調べる。 プロファイルは、モデルとデータの構造 -- 分布の内外 -- に新しい洞察を与えることができる。
  論文  参考訳（メタデータ） (2022-02-20T23:25:28Z)
• The Shapley Value of Classifiers in Ensemble Games [7.23389716633927]
  この質問に答えるために、移動可能なユーティリティ協力ゲームの新しいクラスを紹介します。 アンサンブルゲームのプレイヤーは、データセットからポイントを正しくラベル付けするためにアンサンブルで協力する事前訓練されたバイナリ分類器です。 我々は,アンサンブルゲームのShapley値に基づいて,個々のモデルのペイオフを指定するスケーラブルなアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-01-06T17:40:23Z)
• Competition analysis on the over-the-counter credit default swap market [0.0]
  両立関係の競合は, 相互の要求により検討する。 初期マージン要件をうまく見積もるモデルを提案する。 第2に、新しい半教師付き予測タスクを用いて、インターディーラー市場での選択肢をモデル化する。
  論文  参考訳（メタデータ） (2020-12-03T13:02:53Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• True to the Model or True to the Data? [9.462808515258464]
  この選択は、モデルに真であることが望ましいか、データに真であることが望ましいかどうかに起因している、と私たちは主張する。 異なる価値関数の選択がそれぞれのシナリオでどのように機能するか、そして、モデル選択によってどのように属性が影響されるかを示す。
  論文  参考訳（メタデータ） (2020-06-29T17:54:39Z)

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。