关于（众多）Shapley 值的计算可行性

最近的研究考察了计算 Shapley 加法解释（也称为 SHAP）的计算复杂度在各种模型和分布下的可行性或不可行性，揭示了它们在不同情境下的可行性或不可行性。然而，这些研究主要关注一种特定变体称为条件 SHAP，尽管存在许多其他变体并解决不同的限制。在本文中，我们分析了计算更广泛范围此类变体的复杂度，包括条件 SHAP、干预 SHAP 和基线 SHAP，同时探讨了局部和全局计算。我们表明，在隐藏马尔可夫模型分布下，局部和全局干预 SHAP 和基线 SHAP 可在各种 ML 模型下以多项式时间内计算，这扩展了像 TreeSHAP 这样的流行算法，超越经验分布。在另一方面，我们针对各种神经网络和树集合，证明了这些变体的不可计算性结果。我们相信，our results 强调了计算 Shapley 值的复杂性多样性，表明它们的复杂度在很大程度上取决于具体的 SHAP 变体、模型类型和分布。