Core Concepts
提案するEmSHAPは、入力特徴量の任意の部分集合に対する深層学習モデルの期待値を効果的に近似することができ、従来手法よりも高い推定精度を達成する。
Abstract
本論文では、深層学習モデルの解釈性を高めるためのシャープリー値推定手法であるEmSHAPを提案している。
深層学習モデルは高い予測精度を示すが、その内部構造が複雑で解釈が困難であるという課題がある。シャープリー値は深層学習モデルの解釈に有効な手法の1つである。
しかし、シャープリー値の正確な推定は計算量が指数関数的に増大するため、効率的な推定手法が求められている。
EmSHAPは、エネルギーモデルとGRUネットワークを組み合わせることで、入力特徴量の任意の部分集合に対する深層学習モデルの期待値を効率的に近似することができる。
GRUネットワークを導入することで、入力特徴量の順序による影響を排除し、提案条件付き分布の推定精度を向上させている。
さらに動的マスキングスキームを提案し、モデルの一般化性能を高めている。
理論的な誤差解析の結果、EmSHAPは従来手法よりも高い推定精度を持つことが示された。
医療および産業の事例研究により、EmSHAPの高い推定精度と効率性が実証された。
Stats
深層学習モデルの予測値は[0,1]の範囲に収まる。
入力特徴量の数をdとすると、シャープリー値の計算には2^d-1通りの組み合わせが必要となる。