基于联盟与特征乘积空间蒙特卡洛采样的具有联盟结构的群体解释器近似方法

近年来，许多机器学习(ML)解释技术借鉴了合作博弈论的思想而设计。这些博弈论解释器计算复杂度高，阻碍了其在实践场景中的精确计算。本文中，我们关注基于给定ML模型和预测向量的边际博弈中一类广泛的线性博弈值以及联盟值。通过将这些解释器视为适当样本空间上的期望，我们设计了一种新颖的蒙特卡洛采样算法，以依赖于背景数据集大小的线性复杂度来估计它们。我们建立了一个严格的统计分析框架，并获得了采样方法的误差界。该方法的优势在于快速、易于实现且模型无关。此外，它具有与其他已知的更复杂且模型特定的估计技术相似的统计精度。我们给出了统计收敛的严格证明，以及结果与理论发现相符的数值实验。