验证的SHAP：神经网络精确Shapley值的可证明界限
机器学习
2026-05-26 v1 人工智能
计算机科学中的逻辑
摘要
Shapley可加解释(SHAP)被广泛认为对于神经网络计算难以置换，因为它们导致对输入特征指数级的搜索空间。在本工作中，我们首次引入一种算法，利用最近在神经网络验证方面的进展，用于计算神经网络精确Shapley值可任意紧致的下界和上界，最终恢复精确的SHAP值。我们展示了该方法可扩展至比现有最先进精确方法大几个数量级的搜索空间。这为在更大搜索空间上进行精确SHAP计算提供了重要的第一步，并为在更大搜索空间上评估统计近似方法提供了一个原则性的基石。
引用
@article{arxiv.2605.24084,
title = {Verified SHAP: Provable Bounds for Exact Shapley Values of Neural Networks},
author = {David Boetius and Shahaf Bassan and Guy Katz and Stefan Leue and Tobias Sutter},
journal= {arXiv preprint arXiv:2605.24084},
year = {2026}
}
备注
Accepted at ICML 2026. 34 pages, 13 figures