Feb, 2014

博弈论网络中心度 Shapley 值的高效计算

PDF
TL;DR本文首次研究了 Shapley 值在网络中心性计算方面的计算效率问题。通过提出精确的解析公式，我们在加权和非加权网络中开发了高效的（多项式时间）和精确的算法，并在两个现实案例中进行了经验验证。结果显示，相比蒙特卡罗模拟，我们的算法能够明显提高计算速度。
shapley valuenetwork centralitiesanalytical formulaecomputational efficiencymonte carlo simulation
发现论文，激发创造
  • 基于采样的 Shapley 值估计误差的界限

    本篇论文研究了在合作博弈中划分奖励的规范解概念 “Shapley value” 的计算难度，并提出了非渐进的估算误差范围和采用分层抽样方法进一步提高准确度的方法。

    Jun, 2013

  • 分布式 Shapley 值的高效计算和分析

    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

  • HarsanyiNet：在单个前向传播中计算准确的 Shapley 值

    该研究提出了一种名为 HarsanyiNet 的新型神经网络结构，可以在进行单次前向传播时推断输入样本和精确计算输入变量的 Shapley 值，并且基于理论基础设计，将 Shapley 值重新制定为由网络编码的 Harsanyi 交互的重新分配。

    Apr, 2023

  • 基于加法顺序的 Shapley 值快速近似方法的实验设计

    Shapley value 在计算量大时的计算问题的解决方案研究

    Sep, 2023

  • 机器学习中的 Shapley 值

    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

  • 一个多线性采样算法用于估计 Shapley 值

    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

  • 用于 Shapley 值近似的多项式时间算法解释深度神经网络

    该研究提出了一种基于不确定性传播的深度神经网络 Shapley 值的多项式时间逼近方法，相较于现有最先进的归因方法，该方法可以显著地更好地逼近 Shapley 值。

    Mar, 2019

  • 一个高效的纳什均衡值计算方法用于朴素贝叶斯分类器

    本文提出了 Shapley 值在朴素贝叶斯分类器中的确切分析表达式，并对其与证据权重和 KernelShap 在实际数据集上的结果进行了比较，结果表明我们的 Shapley 方案在算法复杂度低的情况下提供了具有信息量的结果，可以在大规模数据集上以极低的计算时间使用。

    Jul, 2023

  • 数据价值评估的分布式框架

    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

  • 数据估值：机器学习的部分序数 Shapley 值

    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