绝对 Shapley 值
机器学习
2020-03-24 v1 数据库
机器学习
摘要
Shapley 值是合作博弈论中用于度量每位参与者贡献的概念，以 Lloyd Shapley 命名。Shapley 值近来被应用于数据市场，依据各数据对模型的贡献进行补偿分配。Shapley 值是唯一满足三项理想准则——群体理性、公平性与可加性——的用于补偿分配的值划分方案。在合作博弈论中，每位贡献者对每个联盟的边际贡献为非负值。然而，在机器学习模型训练中，每位贡献者（数据元组）对每个联盟（一组数据元组）的边际贡献可为负值，即，含额外一个数据元组的训练集所训模型的精度可能低于仅由该训练集训练的模型精度。本文研究在计算 Shapley 值时如何处理负边际贡献的问题。我们探讨了三种思路：1）取原始值（原始 Shapley 值）；2）取原始值与零的较大者（零 Shapley 值）；3）取原始值的绝对值（绝对 Shapley 值）。在 Iris 数据集上的实验表明，绝对 Shapley 值的定义在评估数据重要性（各数据元组对训练模型的贡献）方面显著优于另两种定义。
引用
@article{arxiv.2003.10076,
title = {Absolute Shapley Value},
author = {Jinfei Liu},
journal= {arXiv preprint arXiv:2003.10076},
year = {2020}
}