马尔可夫分布下SHAP解释的可处理性

由于其坚实的理论基础，SHAP框架可以说是ML模型局部可解释性中最广泛使用的框架之一。尽管其流行，但其精确计算已知非常困难，在各种配置中被证明是NP难的。最近的工作揭示了特定模型族（包括决策树、随机森林和一些布尔电路类）的SHAP分数计算的正复杂度结果。然而，所有这些正面结果都依赖于特征独立性假设，这在现实场景中往往过于简单。在本文中，我们通过放宽这一假设并引入马尔可夫视角来研究SHAP分数的计算复杂度。我们证明，在马尔可夫假设下，对于加权自动机、不相交DNF和决策树类，计算SHAP分数可以在多项式时间内完成，这为SHAP分数计算问题提供了第一个超越特征独立性假设限制的正复杂度结果。