Leverage SHAP 提出 O(n log n) 估计，后续方法称误差更低
先了解这件事
研究者 Christopher Musco 与 R. Teal Witter 提出 Leverage SHAP，一种对 Kernel SHAP 的轻量修改方法。作者论文称，该方法只需 O(n log n) 次模型评估即可给出可证明准确的 Shapley 值估计，而精确计算一般模型通常需要 O(2^n) 次评估。该论文的 v3 版本已被 ICLR 2025 接收。 后续一篇论文中，R. Teal Witter、Yurong Liu 与 Christopher Musco 提出将 Monte Carlo 采样与线性回归结合的估计器，可用 XGBoost 等树模型替换线性回归，并配合交叉拟合产生无偏估计。作者称，在八个数据集实验中，该方法估计 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。
AI 根据报道生成 · 20 天前更新
事件进展
2 个进展
- 10月12日 12:00 · 1 篇报道Leverage SHAP：Shapley值估计的杠杆分数采样方法arXiv：cs.AI：Leverage SHAP：以 O(n log n) 模型评估实现可证明准确的 Shapley 值估计
- 10月12日 12:00 · 1 篇报道提出回归调整的蒙特卡洛估计器用于概率值估计arXiv：cs.AI：回归调整的 Monte Carlo 估计器：更精确计算 Shapley 值与概率值
报道时间线
沿着报道，了解事件的不同侧面。
- arXiv：cs.AILeverage SHAP：以 O(n log n) 模型评估实现可证明准确的 Shapley 值估计
研究者提出 Leverage SHAP，对 Kernel SHAP 做轻量修改，仅需 O(n log n) 次模型评估即可给出可证明准确的 Shapley 值估计，而精确计算一般模型需 O(2^n) 次评估。
- arXiv：cs.AI回归调整的 Monte Carlo 估计器：更精确计算 Shapley 值与概率值
研究者提出将 Monte Carlo 采样与线性回归结合的新方法，可用 XGBoost 等树模型替换线性回归，配合交叉拟合产生无偏估计。在八个数据集实验中，该方法估计 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。