ShaplEIG：用於Shapley值估計的貝葉斯實驗設計方法

研究論文提出一種名為ShaplEIG的新方法，用於近似計算Shapley值。Shapley值是一種廣泛應用於可解釋機器學習的歸因度量，但其精確計算隨玩家數量指數增長，促使多種基於價值函數評估的近似方法發展。論文探討了是否可以通過自適應選擇聯盟來提高近似精度，尤其是在價值函數昂貴且評估次數有限的設置中，如重新訓練特徵重要性、數據估值和超參數重要性。ShaplEIG採用貝葉斯實驗設計，利用高斯過程代理模型來近似昂貴的價值函數，並基於期望信息增益自適應地選擇聯盟進行評估。由於Shapley值在價值函數中呈線性，論文指出期望信息增益可以封閉形式計算。此外，通過初等對稱多項式，計算複雜度從指數級降低到多項式級。在多種昂貴應用的廣泛實驗中，該方法在低預算狀態下一致性地提高了樣本效率，優於現有基線方法。