优先级感知Shapley值
机器学习
2026-02-11 v1
摘要
Shapley值因其在模型无关的数据定价和特征归因方面的广泛应用而被广泛使用，但其隐含地假设贡献者是可互换的。这在贡献者存在依赖关系（例如重复/增强数据或因果特征排序）时可能具有问题，或者当应根据信任或风险等因素调整贡献时。我们提出了优先级感知Shapley值（PASV），其包含硬性前置约束和软性、特定于贡献者的优先级权重。PASV适用于一般的前置结构，可作为仅前置或仅权重Shapley变体的特殊案例，并且由自然公理唯一确定。我们开发了一种高效的相邻置换Metropolis-Hastings抽样器，用于可扩展的蒙特卡罗估计，并分析由极端优先级权重诱导的极限情形。在数据定价（MNIST/CIFAR10）和特征归因（Census Income）上的实验表明，我们的方法实现了更符合结构的分配，并通过提出的“优先级扫荡”进行了实用的灵敏度分析。
引用
@article{arxiv.2602.09326,
title = {Priority-Aware Shapley Value},
author = {Kiljae Lee and Ziqi Liu and Weijing Tang and Yuan Zhang},
journal= {arXiv preprint arXiv:2602.09326},
year = {2026}
}