FW-Shapley：加权 Shapley 值的实时估计
机器学习
2025-03-11 v1
摘要
公平的信用分配在各种机器学习（ML）应用中至关重要，而 Shapley 值已成为实现这一目标的有价值工具。然而，在数据估值和特征归因等关键 ML 应用中，在不同子集基数上对 Shapley 值进行均匀加权会导致不直观的信用分配。为了解决这个问题，人们提出了加权 Shapley 值作为其推广，允许为具有不同基数的子集分配不同的权重。尽管具有优势，但与 Shapley 值类似，加权 Shapley 值也面临指数级计算成本的问题，使其在高维数据集上不切实际。为了解决这个问题，我们提出了两项关键贡献。首先，我们给出了加权 Shapley 值的加权最小二乘特征。接下来，利用该特征，我们提出了 Fast Weighted Shapley (FW-Shapley)，这是一个通过学习到的估计器高效计算加权 Shapley 值的摊销框架。我们进一步证明，即使在训练期间不使用真实的加权 Shapley 值，我们估计器的训练过程在理论上也是有效的。在特征归因任务中，就 Inclusion AUC 而言，我们平均比学习型估计器 FastSHAP 高出 。在数据估值方面，我们的速度快得多（14 倍），同时与 SOTA 的 KNN Shapley 具有可比性。
引用
@article{arxiv.2503.06602,
title = {FW-Shapley: Real-time Estimation of Weighted Shapley Values},
author = {Pranoy Panda and Siddharth Tandon and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:2503.06602},
year = {2025}
}
备注
Accepted at ICASSP 2024