From interpretability to inference: an estimation framework for universal approximators

要約

広範なクラスの汎用近似器の推定と推論のための新しいフレームワークを提案します。
推定は、モデル予測の Shapley 値への分解に基づいています。
推論は、個々の Shapley コンポーネントのバイアスと分散特性の分析に依存します。
Shapley 値の推定が漸近的に不偏であることを示し、ノイズのあるデータのみから真のデータ生成プロセスを明らかにするツールとして Shapley 回帰を導入します。
線形回帰のよく知られたケースは、モデルのパラメーターが線形である場合のフレームワークにおける特殊なケースです。
我々は、指針となる例として、不均一な治療効果を推定するための理論的、数値的、経験的結果を提示します。

要約(オリジナル)

We present a novel framework for estimation and inference for the broad class of universal approximators. Estimation is based on the decomposition of model predictions into Shapley values. Inference relies on analyzing the bias and variance properties of individual Shapley components. We show that Shapley value estimation is asymptotically unbiased, and we introduce Shapley regressions as a tool to uncover the true data generating process from noisy data alone. The well-known case of the linear regression is the special case in our framework if the model is linear in parameters. We present theoretical, numerical, and empirical results for the estimation of heterogeneous treatment effects as our guiding example.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google