Shapley values for assessing research production and impact of schools and scholars
PulseAugur coverage of Shapley values for assessing research production and impact of schools and scholars — every cluster mentioning Shapley values for assessing research production and impact of schools and scholars across labs, papers, and developer communities, ranked by signal.
-
新对比解释用于人工智能论证框架
研究人员为定量双极论证框架（QBAFs）引入了对比解释，这是一种解释两个论点之间差异而非仅解释一个论点的方法。这种新方法定义了具有一般属性的对比归因函数（CAFs），并探索了使用移除、梯度和Shapley值来实现的方法。该论文展示了这些对比解释在医疗保健和偏见识别等实际应用中的效用。
-
QuadraSHAP 为产品博弈提供稳定、可扩展的 Shapley 值
研究人员开发了 QuadraSHAP，一种在产品博弈中高效计算 Shapley 值的新颖方法，产品博弈在机器学习可解释性中很常见。该技术将复杂的计算简化为一个积分，允许使用 Gauss-Legendre 积分方案进行精确或近乎精确的近似。与现有方法相比，即使在特征数量很多的情况下，这种方法也更快、数值更稳定。
-
Quadrature-TreeSHAP 提供更快、更稳定的AI模型解释
研究人员开发了Quadrature-TreeSHAP，一种用于解释树集成预测的新颖方法，该方法独立于深度，并且比现有方法更具数值稳定性。这项新技术自然地扩展到高阶Shapley交互值，并利用基于求积的重构来实现高效计算。实证评估表明，Quadrature-TreeSHAP在Shapley值和交互计算的速度方面均显著优于TreeSHAP和GPUTreeSHAP。
-
新的统计学视角改进了AI的概率价值估计
研究人员开发了一种新的统计学视角来理解和改进概率价值估计方法。他们的工作识别出现有估计器中普遍存在的一阶误差结构，该结构受采样定律和代理函数的影响。基于此，他们提出了一种效率感知代理调整估计器（EASE），旨在最小化均方误差，并展示出优于当前最先进技术的性能。
-
新框架在预算组合多臂老虎机中使用 K-Shapley 值实现精英公平
研究人员为在具有全老虎机反馈的预算组合多臂老虎机中实现精英公平性引入了一个新颖的框架。这种新方法将 Shapley 值概念扩展到 K-Shapley 值，它量化了代理在有限集合大小内的边际贡献。提出的 K-SVFair-FBF 算法自适应地估计此 K-Shapley 值，在与联邦学习和社会影响力最大化相关的数据集上展示了改进的公平性和性能。
-
研究人员为时间图神经网络开发 Shapley 值解释器
研究人员开发了两种新的模型无关的时间图神经网络 (TGNN) 解释器，利用 Shapley 和 Owen 值。这些方法旨在提高结合了空间和时间数据的 TGNN 预测的可解释性。与各种数据集上的现有最先进方法相比，这些解释器表现出更优越的性能，并揭示了常见 TGAT 实现中有关时间戳提取的一个缺陷。
-
研究发现AI可解释性（XAI）的Shapley值基准与人类效用不符
一篇新论文探讨了可解释人工智能（XAI）方法，特别是Shapley值变体的评估，在欺诈检测等高风险场景中的应用。研究人员发现，XAI的标准量化指标与人类的理解或决策效用不符。尽管测试的XAI模型并未提高分析师的绩效，但它们确实增加了决策信心，引发了对自动化偏见的担忧。