RKHS-SHAP：面向核方法的 Shapley 值
机器学习
2022-05-27 v2 机器学习
摘要
核方法的特征归因通常是启发式的，且未针对每个预测进行个性化处理。为解决此问题，我们转向 Shapley 值（SV）的概念，这是一种合作博弈论框架，此前已被应用于不同的机器学习模型解释任务，如线性模型、树集成和深度网络。通过从函数视角分析 SV，我们提出了 \textsc{RKHS-SHAP}，这是一种针对核机的归因方法，能够利用分布的核均值嵌入高效计算 \emph{干预型 Shapley 值}和 \emph{观测型 Shapley 值}。我们从理论上证明，该方法对局部扰动具有鲁棒性——这是实现一致模型解释的一个关键但常被忽视的要求。此外，我们提出了适用于一般经验风险最小化框架的 \emph{Shapley 正则化器}，允许在学习过程中控制特定特征对模型的贡献水平。我们证明，Shapley 正则化器能够实现对给定特征协变量偏移具有鲁棒性的学习，以及控制敏感特征 SV 的公平学习。
引用
@article{arxiv.2110.09167,
title = {RKHS-SHAP: Shapley Values for Kernel Methods},
author = {Siu Lun Chau and Robert Hu and Javier Gonzalez and Dino Sejdinovic},
journal= {arXiv preprint arXiv:2110.09167},
year = {2022}
}