集成博弈中分类器的Shapley值

在二分类器集成中，单个模型的价值是什么？我们通过引入一类称为\textit{集成博弈}的可转移效用合作博弈来回答此问题。在机器学习集成中，预训练模型合作做出分类决策。为量化这些集成博弈中模型的重要性，我们定义了\textit{Troupe}——一种基于分类器近似Shapley值分配收益的高效算法。我们认为，这些博弈中模型的Shapley值是从集成中选择高性能模型子集的有效决策度量。我们的分析结果表明，所提Shapley值估计方案精确且可扩展；其性能随数据集与集成规模增大而提升。在真实世界图分类任务上的实证结果显示，我们的算法能生成高质量的Shapley值估计。我们发现Shapley值可用于集成剪枝，且对抗性模型获得较低估值。复杂分类器常被发现对正确与错误的分类决策均负有责任。