KernelSHAP-IQ: Weighted Least-Square Optimization for Shapley Interactions

要約

Shapley 値 (SV) は、ブラック ボックス ML モデルを理解するために機械学習 (ML) エンティティにクレジットを割り当てる一般的なアプローチです。
このような解釈を高次の相互作用で強化することは、シャプレー相互作用指数 (SII) が SV の直接の公理拡張である複雑な系では避けられません。
SV が加重最小二乗 (WLS) 目標を介してあらゆるゲームの最適な近似をもたらすことはよく知られていますが、この結果を SII に拡張することは長年の未解決の問題であり、
代替インデックス。
この研究では、高次 SII を WLS 問題の解決策として特徴付け、SII と $k$-Shapley 値 ($k$-SII) を介して最適な近似を構築します。
SV とペアワイズ SII についてこの表現を証明し、高次について経験的に検証された推測を与えます。
その結果、私たちは KernelSHAP を SII 向けに直接拡張した KernelSHAP-IQ を提案し、機能相互作用の最先端のパフォーマンスを実証します。

要約(オリジナル)

The Shapley value (SV) is a prevalent approach of allocating credit to machine learning (ML) entities to understand black box ML models. Enriching such interpretations with higher-order interactions is inevitable for complex systems, where the Shapley Interaction Index (SII) is a direct axiomatic extension of the SV. While it is well-known that the SV yields an optimal approximation of any game via a weighted least square (WLS) objective, an extension of this result to SII has been a long-standing open problem, which even led to the proposal of an alternative index. In this work, we characterize higher-order SII as a solution to a WLS problem, which constructs an optimal approximation via SII and $k$-Shapley values ($k$-SII). We prove this representation for the SV and pairwise SII and give empirically validated conjectures for higher orders. As a result, we propose KernelSHAP-IQ, a direct extension of KernelSHAP for SII, and demonstrate state-of-the-art performance for feature interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google