通过张量网络实现可计算的Shapley值与交互作用
机器学习
2025-10-29 v2
摘要
我们展示了如何用张量网络(TN)代理上的少量评估方案来替代Shapley值和Shapley式交互指数背后对n个特征的O(2^n)种联盟枚举：TN-SHAP。关键思想是将预测器的局部行为表示为一个因子化的多线性映射，从而使联盟量成为系数张量的线性探针。TN-SHAP用少量有针对性的评估来替代穷举的联盟扫描，以提取k阶Shapley交互作用。特别地，一阶(单特征)和二阶(成对)计算的计算成本均为O(n*poly(chi) + n^2)，其中chi是张量网络的最大切割秩。我们提供了关于TN-SHAP近似误差和可计算性的理论保证。在UCI数据集上，我们的方法在拟合的代理上匹配了枚举结果，同时将评估量减少了几个数量级，并在可比的精度下实现了比KernelSHAP-IQ快25-1000倍的挂钟时间加速，同时将训练成本分摊到局部群体上。
引用
@article{arxiv.2510.22138,
title = {Tractable Shapley Values and Interactions via Tensor Networks},
author = {Farzaneh Heidari and Chao Li and Guillaume Rabusseau},
journal= {arXiv preprint arXiv:2510.22138},
year = {2025}
}