확률적 가치 추정을 위한 일차 효율성: 통계학적 관점

Shapley 값과 반값 (semivalues) 을 포함한 확률적 값 (probabilistic values) 은 블랙박스 모델의 동작을 데이터 포인트나 특징에 귀속시키는 모형을 독립적인 프레임워크를 제공하며, 설명 가능한 인공지능 (explainable artificial intelligence) 과 데이터 평가 등 다양한 응용 분야를 포함합니다. 그러나 정확한 계산은 지수적으로 많은 연합 (coalitions) 을 대상으로 유틸리티 평가를 필요로 하여, 현대 머신러닝 응용에서 몬테 카를로 근사가 필수적입니다. 기존의 추정기는 가중 평균, 자기정규화 가중치, 회귀 조정, 가중 최소제곱 등을 포함한 다른 식별 전략을 통해 개발되었습니다. 우리의 핵심 관점은 이러한 겉보기에 다른 구성이 공통된 일차 오차 구조 (first-order error structure) 를 공유한다는 것입니다. 이 구조에서 주어진 항은 샘플링 법칙과 작업 대리 함수 (working surrogate function) 에 의해 결정되는 보정 역확률 가중치 영향 항입니다. 이 일차 표현은 주어진 평균 제곱 오차 (MSE) 의 명시적 표현을 제공하며, 샘플링 법칙과 대리 함수가 통계적 효율성을 어떻게 결정하는지를 특징짓습니다. 이 기준에 따라 우리는 샘플링 법칙과 대리 함수를 일차 MSE 를 최소화하도록 직접 선택하는 효율성 인의 surrogate-adjusted Estimator (EASE) 을 제안합니다. 우리는 EASE 가 다양한 확률적 값에 대해 최첨단 추정기보다 일관되게 더 우수한 성능을 발휘함을 입증했습니다.