論文の概要: ShapleyOG: Fast Adaptive Shapley Value Estimation with Odd Gaussian Processes

• arxiv url: http://arxiv.org/abs/2611.07173v1
• Date: Wed, 04 Nov 2026 21:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.459591
• Title: ShapleyOG: Fast Adaptive Shapley Value Estimation with Odd Gaussian Processes
• Title（参考訳）: ShapleyOG: Odd Gaussian プロセスによる適応シェープ値の高速推定
• Abstract要約: 共有値は、機械学習における帰属のための中心的なツールである。 Odd Gaussian Processes (ShapleyOG) を用いた高速適応型シェープリー値推定法を提案する。 本稿では,ShapleyOGがShaplEIGの推定精度と一致し,オーバーヘッドを最大3桁まで低減することを示す。
• 参考スコア（独自算出の注目度）: 21.19597515064802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shapley values are a central tool for attribution in machine learning. Since their exact computation requires evaluating the cooperative game to be explained on exponentially many player coalitions, they are typically estimated from a limited number of evaluations. Recently, ShaplEIG has shown that adaptively selecting the coalitions to evaluate substantially improves sample efficiency over classical estimators. This, however, comes at the cost of a sequential procedure that, in every iteration, refits a Gaussian process surrogate of the game and selects the coalition with the largest expected information gain about the Shapley values. The resulting computational overhead limits its applicability to costly games with low evaluation budgets. We present fast adaptive Shapley value estimation with Odd Gaussian Processes (ShapleyOG) to overcome this limitation. ShapleyOG leverages the fact that Shapley values depend only on the odd component of the game, and we show that under paired sampling a Gaussian process surrogate on this component alone yields the same Shapley value posterior and coalition selection criterion from half as many observations. Moreover, ShapleyOG refits the surrogate only on a sparse schedule and efficiently updates the selection criterion in between, and it extends quadrature-based computation schemes to the prior covariance of the Shapley values, which allows for exact or cheaper approximate computation. In extensive experiments on diverse games, ShapleyOG matches the estimation accuracy of ShaplEIG while reducing its overhead by up to three orders of magnitude. As a result, it outperforms state-of-the-art non-adaptive estimators at equal total computation time already when a single evaluation takes a tenth of a second and a budget of a few thousand evaluations suffices, thereby widening the regime in which adaptive coalition selection is applicable and pays off.
• Abstract（参考訳）: 共有値は、機械学習における帰属のための中心的なツールである。 彼らの正確な計算では、指数関数的に多くのプレイヤー連立で説明される協調ゲームを評価する必要があるため、通常は限られた数の評価から推定される。 最近ShaplEIGは、アダプティブにアダプティブにアダプティブにアダプティブにアダプティブを選択して評価することで、古典的推定値よりもサンプル効率が大幅に向上することを示した。 しかし、これは、各イテレーションでゲームのガウス過程を補足し、シェープリー値に関する最大の期待情報を得た連立を選択できるシーケンシャルな手順のコストがかかる。 計算オーバーヘッドは、評価予算の低い高価なゲームに適用性を制限する。 この制限を克服するために,Odd Gaussian Processes (ShapleyOG) を用いた高速適応シェープリー値推定法を提案する。 ShapleyOGは、Shapley値がゲームの奇数成分にのみ依存するという事実を利用しており、このコンポーネントのみにガウス過程をサンプリングすると、同じShapley値後続および連立選択基準が半分の観測値から得られることを示す。 さらに、ShapleyOGはサロゲートをスパーススケジュールにのみ適合させ、選択基準を効率よく更新し、四次ベースの計算スキームをShapley値の以前の共分散に拡張し、正確なまたはより安価な近似計算を可能にする。 多様なゲームに関する広範な実験において、ShapleyOGはShaplEIGの推定精度と一致し、オーバーヘッドを最大3桁まで削減した。 その結果、1つの評価が1秒の10分の1と、数千評価の予算が十分である場合に、既に同等の総計算時間で最先端の非適応推定器を上回り、適応的な連立選択が適用され、支払される体制を広げる。

関連論文リスト

• ShaplEIG: Bayesian Experimental Design for Shapley Value Estimation [19.91090860420781]
  共有値は、解釈可能な機械学習で広く使われている原則的帰属尺度である。 本稿では,高価な値関数を近似したベイズ実験設計手法ShaplEIGを提案する。 予測情報ゲインがクローズドな形で利用できることを示す。
  論文  参考訳（メタデータ） (2026-06-01T13:40:38Z)
• Closing the Approximation Gap of Partial AUC Optimization: A Tale of Two Formulations [121.39938773554523]
  ROC曲線の下の領域(AUC)は、クラス不均衡と決定制約の両方を持つ実世界のシナリオにおける重要な評価指標である。 PAUC最適化の近似ギャップを埋めるために,2つの簡単なインスタンス単位のミニマックス修正を提案する。 得られたアルゴリズムは、サンプルサイズと典型的な一方方向と双方向のPAUCに対して$O(-2/3)$の収束率の線形パーイテレーション計算複雑性を享受する。
  論文  参考訳（メタデータ） (2025-12-01T02:52:33Z)
• Shapley Value Approximation Based on k-Additive Games [21.023521613326654]
  シェープリー値(Shapley value)は、支払いを複数のエージェントに分けなければならない公平な分割問題に対する一般的な解である。 その人気と公理的な正当化にもかかわらず、Shapleyの値は、関係するエンティティの数と指数関数的にスケールする計算複雑性に悩まされている。 我々は、$k$-additive surrogateゲームに適合する新しい近似法であるSVA$k_textADD$を提案する。
  論文  参考訳（メタデータ） (2025-02-07T08:52:57Z)
• 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)
• Fast Approximation of the Shapley Values Based on Order-of-Addition Experimental Designs [11.684428415506968]
  $d$-player 連立ゲームでは、Shapley の値を計算するには$d!$ または $2d$ の限界貢献値が必要である。 一般的な治療法は、置換の完全なリストを補うために、置換のランダムなサンプルを取ることである。 我々はシェープリー値のより正確な推定を行うために、高度なサンプリングスキームを設計できることを見出した。
  論文  参考訳（メタデータ） (2023-09-16T08:28:15Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• DU-Shapley: A Shapley Value Proxy for Efficient Dataset Valuation [23.646508094051768]
  我々は、データセットのバリュエーションの問題、すなわち、インクリメンタルゲインを定量化する問題を考える。 Shapleyの値は、その正式な公理的正当化のためにデータセットのバリュエーションを実行する自然なツールである。 本稿では,離散一様分布下での予測として表現される離散一様シャプリーと呼ばれる新しい近似を提案する。
  論文  参考訳（メタデータ） (2023-06-03T10:22:50Z)
• 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)
• Towards Efficient Data Valuation Based on the Shapley Value [65.4167993220998]
  本稿では,Shapley値を用いたデータ評価の問題点について検討する。 Shapleyの値は、データ値の概念に対して多くのデシダータを満たすユニークなペイオフスキームを定義する。 本稿では,Shapley値を近似する効率的なアルゴリズムのレパートリーを提案する。
  論文  参考訳（メタデータ） (2019-02-27T00:22:43Z)

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。