盖伊,范登·布勒克;安东·利科夫;马克西米利安·施莱奇;丹·苏秋 关于沙普解释。 (英语) Zbl 07566000号 J.阿蒂夫。智力。研究(JAIR) 74, 851-886 (2022). 总结:沙普解释是可解释人工智能的一种流行的特征属性机制。他们使用游戏理论概念来衡量单个特征对机器学习模型预测的影响。尽管学术界和工业界最近都有很多兴趣,但尚不清楚沙普可以有效地计算常见机器学习模型的解释。在本文中,我们建立了计算沙普在三个重要的场景中进行解释。首先,我们考虑完全无序的数据分布,并表明计算沙普解释与计算模型期望值的复杂性相同。这种完全因子化的设置通常用于简化沙普计算,但我们的结果表明,对于常用的模型(如logistic回归),计算可能很困难。除了完全工业化分布之外,我们还展示了计算沙普对于一个非常简单的设置来说,解释已经很难了:计算沙普朴素贝叶斯分布上平凡分类器的解释。最后,我们展示了即使计算沙普经验分布为#P-hard。 引用于4文件 MSC公司: 68泰克 人工智能 关键词:机器学习;机器学习 软件:形状 PDF格式BibTeX公司 XML格式引用 \textit{G.Van den Broeck}等人,J.Artif。智力。研究(JAIR)74,851--886(2022;Zbl 07566000) 全文: DOI程序 arXiv公司 参考文献: [1] Aas,K。;朱卢姆,M。;和罗兰,A.2019。当特征相关时解释单个预测:Shapley值的更准确近似值。arXiv预打印arXiv:1903.10464·Zbl 1520.68136号 [2] 阿雷纳斯,M。;Barcel´o,P。;贝托西,L。;和莫奈,M.2020。基于SHAPScore的确定性和可分解布尔电路解释的可拓性。arXiv预印本arXiv:2007.14045。 [3] Beame,P。;Van den Broeck,G.公司。;格里布科夫,E。;和Suciu,D.2015。对称加权一阶模型计数。第34届ACM数据库系统原理研讨会论文集,PODS 2015,澳大利亚维多利亚州墨尔本,2015年5月31日至6月4日,313-328。 [4] 贝托西,L。;李,J。;Schleich,M。;苏秋(D.Suciu)。;和Vagena,Z.2020。基于因果关系的分类结果解释。第四届端到端机器学习数据管理国际研讨会论文集,DEEM'20。美国纽约州纽约市:计算机协会。 [5] Bryant,R.E.,1986年。用于布尔函数操作的基于图的算法。计算机,IEEE汇刊100(8):677-691·Zbl 0593.94022号 [6] 查维拉,M。;和Darwiche,A.2008。通过加权模型计数进行概率推断。人工智能172(6-7):772-799·Zbl 1182.68297号 [7] Darwiche,A。;和Marquis,P.2002。知识汇编图。《人工智能研究杂志》17:229-264·Zbl 1045.68131号 [8] Datta,A。;Sen,S。;和Zick,Y.,2016年。通过定量输入影响实现算法透明度:学习系统的理论和实验。2016年5月22日至26日,美国加利福尼亚州圣何塞市,IEEE安全与隐私研讨会,SP2016,598-617。 [9] Elkind,E。;洛杉矶Goldberg。;Goldberg,P.W。;和Wooldridge,M.J.2008。一类易于处理和表达的边际贡献网及其应用。第七届国际自治代理和多代理系统联合会议(AAMAS 2008),葡萄牙埃斯托里尔,2008年5月12日至16日,第2卷,1007-1014·Zbl 1175.91022号 [10] 费拉拉,A。;潘·G。;和Vardi,M.Y.2005。验证中的树宽:本地与全局。在人工智能和推理编程逻辑国际会议上,489-503。斯普林格·Zbl 1143.68450号 [11] 盖德,K。;Geyik,S.C。;肯塔帕迪,K。;米塔尔五世。;和Taly,A.2019。工业中的可解释人工智能。第25届ACM SIGKDD知识发现与数据挖掘国际会议论文集,KDD’19,3203-3204。美国纽约州纽约市:计算机协会。 [12] Janzing,D。;未成年人。;和Bloebaum,P.2020。可解释人工智能中的特征相关性量化:一个因果问题。机器学习研究进展第108卷,2907-2916。PMLR公司。 [13] Khosravi,P。;Choi,Y。;梁,Y。;Vergari,A。;和Van den Broeck,G.2019a。关于预期预测的可追踪计算。神经信息处理系统研究进展32(NeurIPS)。 [14] Khosravi,P。;梁,Y。;Choi,Y。;和den Broeck,G.V.2019b。对分类器的期望是什么?关于缺失特征的Logistic回归的推理。第二十届国际人工智能联合会议论文集,2019年8月10日至16日,中国澳门,2019,2716-2724。 [15] Khosravi,P。;Vergari,A。;Choi,Y。;梁,Y。;和Van den Broeck,G.2020。处理决策树中的缺失数据:概率方法。在ICML(Artemiss)的学习艺术与缺失价值研讨会上。 [16] 库马尔,I.E。;Venkatasubramanian,S。;Scheidegger,C。;和Friedler,S.2020。Shapley-value-based解释作为特征重要性度量的问题。第37届国际机器学习会议论文集,奥地利维也纳,PMLR 1192020。 [17] 梁,Y。;和Van den Broeck,G.2019。学习逻辑电路。第33届人工智能大会论文集。 [18] 伦德伯格,S.M。;埃里昂,G。;陈,H。;DeGrave,A。;普鲁特金,J.M。;奈尔,B。;Katz,R。;Himmelfarb,J。;北班萨尔。;和Lee,S.2020。用可解释的树人工智能从局部解释到全球理解。自然机器智能2:56-67。 [19] 伦德伯格,S.M。;伊利昂,G.G。;和Lee,S.-I,2018。树集合的一致个性化特征归因。arXiv预印本arXiv:1802.03888。 [20] 伦德伯格,S.M。;Lee,S.,2017年。解释模型预测的统一方法。神经信息处理系统进展,4765-4774。 [21] Merrick,L。;和Taly,A.2020。解释游戏:使用Shapley值解释机器学习模型。国际机器学习和知识提取跨领域会议,17-38。斯普林格。 [22] Ng,A.Y。;和Jordan,M.I.2002。区分性分类器与生成性分类器:逻辑回归与朴素贝叶斯的比较。神经信息处理系统进展,841-848。 [23] Provan,J.S。;和Ball,M.O.1983年。计算割集和计算图连通概率的复杂性。SIAM J.计算12(4):777-788·Zbl 0524.68041号 [24] Rendle,S.2010年。保理机。2010年IEEE国际数据挖掘会议,995-1000。电气与电子工程师协会。 [25] Roth,A.e.1988,《Shapley价值观:纪念Lloyd S.Shapley的论文》。剑桥大学出版社·兹比尔0694.00032 [26] 桑·T。;Beame,P。;和Kautz,H.A.2005。通过加权模型计数进行贝叶斯推理。InAAAI,第5卷,475-481页。 [27] Slack,D。;希尔加德,S。;贾,E。;辛格,S。;和Lakkaraju,H.2020。愚弄LIME和SHAP:对事后解释方法的对抗性攻击。InAAAI/ACM人工智能、道德和社会会议(AIES)。 [28] ˇ [29] 斯特伦贝尔,E。;和Kononenko,I.2014。解释预测模型和具有特征贡献的单个预测。知识和信息系统41(3):647-665。 [30] Sundararajan,M。;和Najmi,A.2020。模型解释的许多Shapley值。第37届国际机器学习会议记录,奥地利维也纳,PMLR 1192020。 [31] Van den Broeck,G。;Meert,W。;和Darwiche,A.2014。加权一阶模型计数的Skolemization。《知识表示和推理原则:第十四届国际会议论文集》,KR 2014,奥地利维也纳,2014年7月20日至24日。 [32] Vergari,A。;Choi,Y。;佩哈兹,R。;和Van den Broeck,G.2020。概率电路:表示、推理、学习和应用。AAAI教程。 [33] 魏伟(Wei,W.)。;和Selman,B.2005。一种新的模型计数方法。在可满足性测试理论和应用国际会议上,324-339。施普林格·Zbl 1128.68487号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。