改进 KernelSHAP：基于线性回归的实用 Shapley 值估计

合作博弈论中的 Shapley 值概念已成为解释机器学习（ML）模型的流行技术，但高效估计这些值仍具挑战性，尤其在模型无关设定下。本文中，我们重新审视通过线性回归估计 Shapley 值的思想，以理解并改进该方法。通过分析原始 KernelSHAP 与新提出的无偏版本，我们发展了检测其收敛性与计算不确定性估计的技术。我们还发现原始版本以可忽略的偏差增加换取了显著更低的方差，并提出了一种方差缩减技术，进一步加速了两种估计量的收敛。最后，我们开发了针对随机合作博弈的 KernelSHAP 版本，为两种全局解释方法给出了快速的新估计量。