用于 Top-k Shapley 识别的对偶抽样
机器学习
2025-07-23 v2 人工智能
计算机科学与博弈论
摘要
加性特征解释主要依赖于博弈论概念，如将特征视为合作玩家的 Shapley 值。Shapley 值在可解释 AI 内外的普及源于其公理上的唯一性。然而，其计算复杂度严重限制了实用性。大多数工作研究所有特征 Shapley 值的均匀近似，为不重要的特征不必要地消耗了样本。相比之下，识别 个最重要的特征已能提供充分的洞见，并带来了利用与多臂老虎机领域相关的算法机遇的潜力。我们提出了可比边际贡献抽样（CMCS），一种利用利用相关观测的新抽样方案来解决 top- 识别问题的方法。我们进行了实验以展示我们的方法相对于有竞争力的基线的有效性。我们的实证结果表明，近似全部问题的估计质量不一定能转移到 top- 识别上，反之亦然。
引用
@article{arxiv.2504.02019,
title = {Antithetic Sampling for Top-k Shapley Identification},
author = {Patrick Kolpaczki and Tim Nielen and Eyke Hüllermeier},
journal= {arXiv preprint arXiv:2504.02019},
year = {2025}
}