量子科技中心_量科网

Shapley 值已成为解释哪些特征会影响机器学习模型决策的关键工具。然而，计算精确的 Shapley 值非常困难，通常需要进行指数级（在特征维度上）的模型评估。为了解决这个问题，许多与模型无关的随机估计器应运而生，其中最具影响力且应用最为广泛的是 KernelSHAP 方法 (Lundberg & Lee, 2017)。虽然已知相关的估计器（例如无偏 KernelSHAP (Covert & Lee, 2021) 和 LeverageSHAP (Musco & Witter, 2025)）能够满足理论保证，但 KernelSHAP 的界限仍然难以捉摸。该团队描述了一个广泛而统一的框架，该框架涵盖了 KernelSHAP 及其相关估计器，这些估计器分别使用有放回抽样策略和无放回抽样策略构建。然后，该团队证明了适用于该团队框架中所有估计器的强非渐近理论保证。据该团队所知，这为 KernelSHAP 提供了首个理论保证，并进一步阐明了现有估计器之间的权衡。通过对决策树模型的小维和中维数据集进行全面的基准测试，该团队根据精确的 Shapley 值验证了该团队的方法，并在适度的样本量下始终保持较低的均方误差。此外，该团队还进行了具体的实现改进，以将方法扩展到高维数据集。该团队的方法在 MNIST 和 CIFAR10 等数据集上进行了测试，与 KernelSHAP 库相比，其结果始终更佳。