用于 Shapley 值和概率值的回归调整蒙特卡洛估计量

arXiv:2506.11849v3 公告类型：替换 摘要：源于博弈论的概率值，如 Shapley 值、Banzhaf 值和半值，已成为可解释人工智能中的核心工具。它们被用于特征归因、数据归因、数据估值等任务。由于精确计算可能需要指数级时间，研究主要聚焦于利用蒙特卡洛采样和线性回归建模这两种技术的高效近似方法。在本研究中，我们提出了一种结合这两种技术的新方法。我们的方法比以往的算法更加灵活，允许将线性回归替换为任何能够高效计算其概率值的函数族。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，该方法还可产生无偏估计。在八个数据集上的实验表明，我们的方法在概率值估计方面达到了当前最先进的性能。对于 Shapley 值，我们方法的误差可低至 Permutation SHAP（最流行的蒙特卡洛方法）的 $1/11$、Kernel SHAP（最流行的线性回归方法）的 $1/6.5$，以及 Leverage SHAP（此前最先进的 Shapley 值估计量）的 $1/3.4$。对于更一般的概率值，我们能够将误差降至以往研究中最佳估计量的 $1/390$。