超越 Shapley：非对称 Shapley 值的高效计算

arXiv:2606.25103v1 公告类型：新 摘要：我们通过特征归因方法解决机器学习模型中的可解释性问题。 In particular, we consider a variant of Shapley values known as Asymmetric Shapley Values (ASV), which enables the incorporation of causal knowledge into model-agnostic explanations through the use of a causal graph.我们证明，在 SHAP 的计算是 $\#P$-hard 的某些情况下，ASV 的精确计算可以在多项式时间内完成。为了扩展这个算法结果，我们在底层因果图的拓扑排序上引入了等价类的概念，这对于减少计算 ASV 的时间很有用。特别是，我们提出了一种多项式时间算法（以等价类的数量）来计算它，只要因果图是有根有向树。最后，我们开发了一种在任意因果 DAG 中近似 ASV 的算法，该算法依赖于随机均匀采样拓扑排序的过程。为了实现这种采样机制，我们利用已知的算法以及更简单的替代方案。我们的实验结果证明了所提出的方法在现实因果结构中的实际可行性。