基于代理的Shapley与Banzhaf相互作用近似
机器学习
2026-05-25 v2 人工智能
机器学习
摘要
Shapley值和Banzhaf值捕捉了现代机器学习应用中所固有的复杂动态。然而，当前用于这些高阶相互作用的估计器在速度与准确性之间进行权衡。为克服这一限制，我们引入了ProxySHAP。ProxySHAP将基于树的代理模型的高样本效率与通过残差校正实现一致性的原则方法相结合。在理论层面，我们推导了对树基Shapley值的多项式时间推广，以计算树集成的精确相互作用指数，成功绕过了先前方法中指数级树深度依赖。此外，我们正式分析了残差调整策略，描述了最大样本重用（MSR）在何种条件下能够在不伴随随相互作用规模指数级方差增长的情况下校正代理偏差。广泛的基准测试表明，ProxySHAP制定了新的一种近似质量最高标准，包括在特征数千个的大规模应用中。通过在小预算和大预算两种情形下均取得最低误差，ProxySHAP显著优于现有最佳估计器ProxySPEX和KernelSHAP-IQ，同时在下游可解释性任务中也表现出色。
引用
@article{arxiv.2605.22738,
title = {Proxy-Based Approximation of Shapley and Banzhaf Interactions},
author = {Santo M. A. R. Thies and Hubert Baniecki and R. Teal Witter and Eyke Hüllermeier and Maximilian Muschalik and Fabian Fumagalli},
journal= {arXiv preprint arXiv:2605.22738},
year = {2026}
}