Shapley value 在计算量大时的计算问题的解决方案研究

Sep, 2023

本论文提出了一种基于多线性扩展技术的新采样方法来估计 Shapley 值，可用于任何机器学习模型，特别是多类分类或回归问题。通过对两个数据集的实验，我们证明了该方法通过减少采样统计变量的方差来提供更准确的 Shapley 值估计。

Oct, 2020

本文提出了分布式数据 Shapley 值（DShapley），该值是将 Shapley 值等博弈理论概念开发到了机器学习的统计框架，并可以应用于识别对学习算法有用或有害的数据点。本文通过导出线性回归，二元分类和非参数密度估计的 DShapley 的第一批分析表达式，提供了新的算法来快速估计 DShapley，这些公式直接解释并为不同数据类型提供量化的见解。

Jul, 2020

本文探讨了两种新的逼近方法，一种基于径向基核函数和核草地法进行的方差积分，另一种是基于超球面和排列之间的联系创建的用于生成好特性的置换样本的实际算法，在实验中，这些技术显着改善了现有方法的 Shapley 值估计，可以在相同数量的模型评估中收敛到更小的 RMSE。

Apr, 2021

本文介绍了合作博弈理论的基本概念以及 Shapley value 的公理性质，概述了其在机器学习中的最重要应用：特征选择，可解释性，多智能体强化学习，集成修剪和数据估价，指出了 Shapley value 的主要局限性和未来研究方向。

Feb, 2022

提出一个新的统计框架 —— 分布 Shapley，其定义了基于潜在数据分布的点的价值，解决了数据 Shapley 框架的限制，并使用该框架开发了一个新的算法，运行速度比计算（非分布式）数据 Shapley 值的最先进算法快两个数量级，对各种数据集进行了应用并证明了它在数据市场环境中的实用性。

Feb, 2020

研究合作博弈理论中测量贡献的古典问题，借助贝叶斯学习博弈模型以及 Shapley 值计算方法，探索了 Shapley 值在该模型中的收敛性及其应用，提出了一种渐近 Shapley 公平的在线协作学习框架，并通过实验验证了效果。

May, 2022

本文研究了抽象代数中通过群论定义偏序 Shapley 价值的概念及其在数据合作中的角色。提出了三种算法来近似计算该价值，其中包括基于经典 Shapley 价值算法的截断蒙特卡罗算法，以及基于同一类中数据点提供类似信息这一事实的蒙特卡罗和截断蒙特卡罗算法，以加快计算速度。

May, 2023

使用 Monte Carlo 控制变量技术的 ControlSHAP 方法可以有效减少 Shapley 估计的 Monte Carlo 变异性。

Oct, 2023

本文探讨了如何通过线性回归来有效估计机器学习模型的 Shapley 值，并提出了一种方差缩减技术，以加速两个估计器的收敛速度。此外，还发现了一种新的无偏版本 KernelSHAP，并提出了一种针对随机合作博弈的方法，可产生两个全局解释方法的快速新估计器。

Dec, 2020