本文探讨了 Shapley 值在贝叶斯网络框架下的应用，分析了 Shapley 值与条件独立性的关系，并发现高 Shapley 值的变量不一定对模型预测性能有显著影响，而低 Shapley 值的变量可能会导致较差的预测结果。因此，在一般情况下，使用 Shapley 值进行特征选择并不一定能建立起最简单和预测性最优的模型，而且 Shapley 值不反映变量与目标之间的因果关系。

Aug, 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

本文提出了一种概率 Shapley 值（P-Shapley），通过构建一个基于概率分类器的类概率效用函数来量化每个数据点对概率分类器的边际贡献，并提供几种置信度校准的激活函数，从而实现评估数据重要性以构建高可用性和可信赖性 ML 模型的目的。

Jun, 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

研究表明，Shapley 值可提供模型不可知的特征归因，通过在全局人口分布下模拟特征缺失，来描述特定情况下模型结果；但是当局部模型行为受关注时，使用全局人口可能导致潜在的误导结果。因此，我们考虑制定邻域参考分布，以改善 Shapley 值的本地可解释性，通过这样做，发现经典的 Nadaraya-Watson 估计器可以被表达为自标准化重要性采样估计器，其中邻域 Shapley 值识别有意义的稀疏特征相关性归因，为了研究常规的 Shapley 值分析进行补充，增加了对构建对抗分类器的流形可解释性和鲁棒性。

Jun, 2021

提出了 ShapleyBO 方法来解释贝叶斯优化 (Bayesian optimization) 的提案，通过博弈论的 Shapley 值对每个参数的贡献进行量化，揭示了每个参数对贝叶斯优化的探索和开发的影响，以及探索方向中先验不确定性和后验不确定性的贡献，并实现了 ShapleyBO 辅助人机界面，以便用户在提案与人类推理不一致时干预贝叶斯优化，实验证明 ShapleyBO 可实现低遗憾度。

Mar, 2024

本研究探讨了实例级特征重要性评分作为模型解释方法，并提出两种线性复杂度的算法来评估图结构数据中的特征贡献，并与其他模型解释方法进行比较。

Aug, 2018

Shapley 值是一种广泛接受和可信赖的工具，用于解决深度神经网络等黑盒模型所带来的挑战。本研究分析了现有工作的一致性，并推断出随机估计器可以统一为特征子集重要性采样的线性变换。基于此，我们探讨设计简单的摊销估计器的可能性，并提出了一种简单高效的方法 ——SimSHAP，通过消除冗余技术。在表格和图像数据集上进行的大量实验证实了我们的 SimSHAP 的有效性，能够显著加速准确 Shapley 值的计算。

Nov, 2023

本研究提出了一个新的机器学习模型解释框架 FAE（Formulate，Approximate，Explain）。该框架利用了 Shapley 值和博弈论方法进行解释，并提供了置信区间和对比解释来解释黑盒子模型在不同数据集上的结构。

Sep, 2019