본 논문은 게임 이론에서 유래한 Shapley 값, Banzhaf 값, semi-values와 같은 확률적 값을 설명 가능한 AI에서 특징 기여도, 데이터 기여도, 데이터 가치 평가 등에 활용하는 방법에 대한 연구입니다. 기존의 확률적 값 계산은 계산 복잡도가 지수적으로 증가하기 때문에, Monte Carlo 샘플링과 선형 회귀 공식을 이용한 효율적인 근사 방법들이 연구되어 왔습니다. 본 논문에서는 두 기법을 결합하는 새로운 방법을 제시합니다. 이 방법은 선형 회귀를 확률적 값을 효율적으로 계산할 수 있는 임의의 함수 계열로 대체할 수 있는 유연성을 제공하여, XGBoost와 같은 트리 기반 모델의 정확도를 활용하면서도 불편향 추정치를 생성합니다. 8개의 데이터셋에 대한 실험 결과, 제시된 방법이 기존 최고 성능을 능가하는 것을 보였습니다. 특히 Shapley 값의 경우, Permutation SHAP보다 6.5배, Kernel SHAP보다 3.8배, Leverage SHAP보다 2.6배 낮은 오차를 달성했습니다. 일반적인 확률적 값에 대해서는 기존 최고 추정기보다 215배 낮은 오차를 달성했습니다.
