Shapley 集合：通过递归函数分解的特征归因
机器学习
2023-07-06 v1
摘要
尽管 Shapley 值特征归因被广泛使用，但由于模型与数据中均存在特征交互，其可能产生误导。我们提出一种替代的归因方法——Shapley 集合（Shapley Sets），它将价值分配给特征集合。Shapley 集合利用具有关于变量数对数线性复杂度的递归函数分解算法，将底层模型分解为不可分离变量组。Shapley 集合针对每个不可分离变量组赋予其在特定预测中的组合价值。我们证明 Shapley 集合等价于变换后特征集上的 Shapley 值，从而享有同样的公平性公理。Shapley 集合与价值函数无关，并且我们从理论与实验上展示了 Shapley 集合如何避免基于 Shapley 值的替代方法所关联的缺陷，并对具有复杂依赖结构的数据类型尤为有利。
引用
@article{arxiv.2307.01777,
title = {Shapley Sets: Feature Attribution via Recursive Function Decomposition},
author = {Torty Sivill and Peter Flach},
journal= {arXiv preprint arXiv:2307.01777},
year = {2023}
}