ProxySHAP: Stima Efficiente delle Interazioni di Shapley e Banzhaf

È stata sviluppata una nuova tecnica chiamata ProxySHAP per stimare efficacemente i valori di interazione di Shapley e Banzhaf, che riflettono dinamiche complesse nei modelli di machine learning. Gli stimatori esistenti per queste interazioni avanzate faticano a trovare un equilibrio tra velocità e precisione. ProxySHAP unisce l'efficienza campionaria dei modelli proxy basati su alberi con un approccio sistematico alla consistenza tramite correzione dei residui. Questo metodo presenta un'estensione in tempo polinomiale di TreeSHAP interventistico, consentendo il calcolo di indici di interazione esatti per insiemi di alberi, evitando dipendenze esponenziali legate alla profondità degli alberi. Inoltre, l'analisi della strategia di aggiustamento dei residui definisce le condizioni in cui il Maximum Sample Reuse (MSR) mitiga il bias del proxy senza aumentare esponenzialmente la varianza con la dimensione dell'interazione. Un benchmarking completo indica che ProxySHAP stabilisce un nuovo punto di riferimento nel campo.