PolySHAP：利用交互信息多项式回归扩展 KernelSHAP

Shapley 值已成为可解释 AI (XAI) 中的核心博弈论工具。然而，精确计算 Shapley 值需要对具有 $d$ 个特征的模型进行 $2^d$ 次博弈评估。Lundberg 和 Lee 的 KernelSHAP 算法已成为避免这一指数级开销的领先方法。KernelSHAP 通过将博弈近似为线性函数来估计 Shapley 值，该线性函数使用少量随机特征子集的博弈评估进行拟合。在本工作中，我们通过使用更高次多项式近似博弈来扩展 KernelSHAP，以捕捉特征间的非线性交互。我们由此得到的 PolySHAP 方法在各种基准数据集上产生了经验上更好的 Shapley 值估计，并且我们证明了这些估计是一致的。此外，我们将我们的方法与配对采样（对立采样）联系起来，这是 KernelSHAP 的一种普遍修改，可提高经验准确性。我们证明，配对采样输出与二阶 PolySHAP 完全相同的 Shapley 值近似，而无需拟合二次多项式。据我们所知，这一发现为配对采样启发式方法的优异实际性能提供了首个强有力的理论证明。