基于稀疏傅里叶表示的 SHAP 值
机器学习
2025-10-24 v3
摘要
SHAP (SHapley Additive exPlanations) 值是解释性和可解释 AI 中用于局部特征归因的广泛使用方法。我们提出了一种高效的两阶段算法,用于计算黑箱模型和树基模型中的 SHAP 值。受现实预测器中谱系偏置的启发,我们首先使用紧凑傅里叶表示来近似模型:对树模型完全精确,对黑箱模型近似。第二阶段,我们引入了一种闭形式公式,以 ``线性化'' 方式精确计算 SHAP 值,仅需简单求和,且易于并行化。由于仅计算一次傅里叶近似,本方法实现了可 amortization 的 SHAP 值计算,显著加速现有方法,并提供效率与精度之间的可调权衡。
引用
@article{arxiv.2410.06300,
title = {SHAP values via sparse Fourier representation},
author = {Ali Gorji and Andisheh Amrollahi and Andreas Krause},
journal= {arXiv preprint arXiv:2410.06300},
year = {2025}
}
备注
Published in 39th Conference on Neural Information Processing Systems (NeurIPS 2025)