KernelSHAP-IQ：基于 Shapley 互动的加权最小二乘优化

Shapley 值 (SV) 是分配机器学习 (ML) 实体信用的常用方法，用于理解黑箱 ML 模型。对于复杂系统，必须通过更高阶互动来丰富此类解释，其中 Shapley 互动指数 (SII) 是 SV 的一种直接公理化延伸。虽然众所周知，SV 可通过加权最小二乘 (WLS) 目标函数对任何游戏进行最优近似，但将此结果延伸到 SII 长期以来一直是开放问题，这甚至导致提出了另一种替代指数。在本工作中，我们将更高阶 SII 表述为 WLS 问题的解，通过 SII 和 $k$-Shapley 值 ($k$-SII) 构建最优近似。我们对 SV 和成对 SII 给出了该表示，并对更高阶情况给出经验验证的猜想。结果，我们提出了 KernelSHAP-IQ，这是 KernelSHAP 用于 SII 的直接延伸，展示了对特征互动的领先性能。