Computing Conditional Shapley Values Using Tabular Foundation Models

Created by

Haebom

저자

Lars Henry Berge Olsen, Dennis Christensen

💡 개요

본 논문은 설명 가능한 AI의 핵심인 Shapley 값을 계산하는 데 있어 기존 방법론의 높은 계산 비용, 특히 특징 간 의존성이 존재할 때 발생하는 문제를 해결합니다. 이를 위해 재학습 없이 인컨텍스트 학습(in-context learning)을 활용하여 조건부 기댓값을 근사할 수 있는 Tabular Foundation Model (TabPFN)을 제안합니다. TabPFN을 이용한 Shapley 값 계산은 기존 최신 방법론과 비교했을 때 대부분 더 나은 성능을 보이거나, 성능이 소폭 떨어지더라도 훨씬 짧은 시간 안에 결과를 얻을 수 있습니다.

🔑 시사점 및 한계

•

TabPFN은 인컨텍스트 학습을 통해 조건부 Shapley 값 계산의 효율성을 크게 향상시켜, 복잡한 특징 의존성 환경에서도 빠른 근사가 가능합니다.

•

시뮬레이션 및 실제 데이터셋에서 TabPFN은 최신 방법론 대비 우수한 성능을 보여주었으며, 계산 시간 측면에서도 상당한 이점을 제공합니다.

•

향후 연구에서는 TabPFN을 조건부 Shapley 값 추정에 더욱 최적화하는 방안을 모색하고, 다양한 변형 모델의 성능을 심층적으로 분석할 필요가 있습니다.

PDF 보기

Made with Slashpage