通过贡献合作者选择加速 Shapley 解释
机器学习
2023-03-07 v2 人工智能
计算机科学与博弈论
摘要
尽管 Shapley 值能有效解释 DNN 模型的预测，但其计算依赖于枚举所有可能的输入特征联盟，导致复杂度呈指数增长。为解决该问题，我们提出一种新方法 SHEAR 来显著加速 DNN 模型的 Shapley 解释，其中仅涉及少量输入特征联盟参与计算。特征联盟的选择遵循我们提出的 Shapley 链式法则，以最小化与真实 Shapley 值的绝对误差，从而使计算既高效又准确。为证明有效性，我们跨多个指标全面评估 SHEAR，包括与真实 Shapley 值的绝对误差、解释的真实性和运行速度。实验结果表明，SHEAR 在不同评估指标上始终优于最先进的基线方法，展示了其在计算资源受限的实际应用中的潜力。
引用
@article{arxiv.2206.08529,
title = {Accelerating Shapley Explanation via Contributive Cooperator Selection},
author = {Guanchu Wang and Yu-Neng Chuang and Mengnan Du and Fan Yang and Quan Zhou and Pushkar Tripathi and Xuanting Cai and Xia Hu},
journal= {arXiv preprint arXiv:2206.08529},
year = {2023}
}