Краткое содержание

arXiv:2506.05216v2 Объявление Тип: замена Аннотация: Призначения (Shapley values) стали ключевым инструментом для объяснения влияния признаков на решения, принимаемые моделями машинного обучения. Однако вычисление точных назначений затруднено и обычно требует экспоненциального (относительно размерности признаков) количества оценок модели. Для решения этой проблемы было разработано множество модель-независимых рандомизированных оценщиков, наиболее влиятельным и широко используемым из которых является метод KernelSHAP (Lundberg & Lee, 2017). Хотя такие связанные оценщики, как непредвзятый KernelSHAP (Covert & Lee, 2021) и LeverageSHAP (Musco & Witter, 2025), известны тем, что удовлетворяют теоретическим гарантиям, границы для KernelSHAP оставались недостижимыми. Мы описываем широкий и унифицированный фреймворк, охватывающий KernelSHAP и связанные с ним оценщики, построенные как с использованием, так и без использования стратегий выборки с заменой. Затем мы доказываем сильные неасимптотические теоретические гарантии, применимые ко всем оценщикам из нашего фреймворка. Это обеспечивает, чтобы