본 논문은 게임 이론에서 유래하여 설명 가능한 기계 학습에서 모델 예측을 특정 입력 특징에 귀속시키는 데 사용되는 셰이플리 값의 계산 문제를 다룬다. 일반적인 모델에서 셰이플리 값을 정확하게 계산하려면 O(2^n)의 모델 평가가 필요하므로, 근사 알고리즘이 널리 사용된다. 본 논문은 Kernel SHAP 알고리즘의 비효율성을 해결하기 위해, 레버리지 점수 샘플링을 활용한 경량화된 Kernel SHAP 수정 알고리즘인 Leverage SHAP을 제안한다. Leverage SHAP은 O(n log n)의 모델 평가만으로도 증명 가능한 정확도의 셰이플리 값 추정치를 제공하며, 기존 Kernel SHAP보다 우수한 성능을 보인다.
