Core Concepts
ランキングタスクのための新しい特徴帰属手法RankSHAPを提案し、従来手法よりも優れた性能を示す。
Abstract
本論文では、ランキングタスクのための新しい特徴帰属手法RankSHAPを提案している。まず、ランキング特徴帰属に必要な4つの公理(Rank-Efficiency、Rank-Missingness、Rank-Symmetry、Rank-Monotonicity)を定義した。次に、これらの公理を満たすRankSHAPアルゴリズムを提案した。RankSHAPは、Shapley値をNDCG評価関数に拡張したものである。さらに、RankSHAPの効率的な近似アルゴリズムを示した。
実験では、BM25、BERT、T5の各ランキングモデルに対してRankSHAPを適用し、従来手法(EXS、RankLIME)と比較した。その結果、RankSHAPは従来手法に比べて30.78%のFidelity向上と23.68%のweighted Fidelity向上を示した。また、ユーザ評価実験でも、RankSHAPが最も人間の直感に合致することが示された。
最後に、EXSやRankLIMEなどの従来手法について、提案した公理に基づいて理論的な分析を行った。その結果、RankSHAPが唯一の公理準拠の手法であることが明らかになった。以上より、RankSHAPがランキング特徴帰属の金標準となることが示された。
Stats
RankSHAPは従来手法に比べて30.78%のFidelity向上と23.68%のweighted Fidelity向上を示した。
RankSHAPはユーザ評価実験で最も人間の直感に合致することが示された。
Quotes
"RankSHAP: a Gold Standard Feature Attribution Method for the Ranking Task"
"RankSHAP satisfies the axioms of Rank-Efficiency, Rank-Missingness, Rank-Symmetry and Rank-Monotonicity."
"RankSHAP outperformed the best competing system by 30.78% on Fidelity and 23.68% on weighted Fidelity."