arXiv cs.AI· R. Teal Witter, Yurong Liu, Christopher Musco·· 6 天前AI 评分23
回归调整的蒙特卡洛估计器：更精确估算 Shapley 值与概率值
Regression-adjusted Monte Carlo Estimators for Shapley Values and Probabilistic Values
AI 导读
研究者提出一种将蒙特卡洛采样与线性回归结合的新方法，可用 XGBoost 等任意函数族替代线性回归，并通过交叉拟合产生无偏估计。在八个数据集上，该方法估算 Shapley 值的误差比 Permutation SHAP 低 11 倍、比 Kernel SHAP 低 6.5 倍、比 Leverage SHAP 低 3.4 倍；对更一般的概率值，误差比此前最佳估计器低 390 倍。
正文 · AI 翻译
摘要：概率值（如 Shapley 值、Banzhaf 值和半值）起源于博弈论，现已成为可解释 AI 的核心工具。它们被用于特征归因、数据归因、数据估值等。由于精确计算可能需要指数级时间，研究一直聚焦于使用两种技术的高效近似方法：蒙特卡洛采样和线性回归公式。在这项工作中，我们提出了一种将这两种技术相结合的新方法。我们的方法比先前算法更灵活，允许将线性回归替换为任何其概率值可被高效计算的函数族。这使我们能够利用 XGBoost 等基于树的模型的准确性；通过交叉拟合，该方法还能产生无偏估计。在八个数据集上的实验中，我们发现我们的方法在估计概率值方面达到了最先进的性能。对于 Shapley 值，我们方法的误差可比 Permutation SHAP（最流行的蒙特卡洛方法）低 $11\times$，比 Kernel SHAP（最流行的线性回归方法）低 $6.5\times$，比 Leverage SHAP（先前最先进的 Shapley 值估计器）低 $3.4\times$。对于更一般的概率值，我们的误差可比先前工作中最佳估计器低 $390\times$。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2506.11849 [cs.LG] |
| （或 arXiv:2506.11849v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2506.11849 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：R. Teal Witter [查看电子邮件]
[v1]
2025年6月13日星期五 14:57:38 UTC（1,276 KB）
[v2]
2026年1月13日星期二 02:37:05 UTC（1,280 KB）
[v3]
2026年10月8日星期四 23:11:50 UTC（698 KB）
来源：arXiv cs.AI · arxiv.org