2025_NIPS_Regression-adjusted Monte Carlo Estimators for Shapley Values and Probabilistic Values

文章核心总结与翻译

一、主要内容

文章聚焦可解释AI中概率值（如Shapley值、Banzhaf值）的高效估算问题，提出了Regression MSR方法。该方法融合蒙特卡洛采样与回归技术，解决了传统方法在准确性、无偏性和通用性上的矛盾，在8个数据集上的实验表明，其估算误差显著低于现有主流方法。

二、核心创新点

1. 方法融合：将回归作为方差 reduction 技术与最大样本复用（MSR）蒙特卡洛方法结合，兼顾无偏性与低方差。
2. 模型灵活性：支持线性模型、XGBoost等树基模型等多种函数族，突破传统回归方法仅适用于线性模型的局限。
3. 通用性强：可扩展至所有概率值类型（含Beta Shapley、加权Banzhaf值），解决传统方法泛化性不足的问题。
4. 性能优异：Shapley值估算误差较Permutation SHAP低6.5倍、Kernel SHAP低3.8倍、Leverage SHAP低2.6倍，通用概率值估算误差较传统方法低215倍。

---

三、关键部分翻译（Markdown格式）

Abstract

源于博弈论的Shapley值、Banzhaf值和半值等概率值，已成为可解释人工智能（XAI）的核心工具，广泛应用于特征归因、数据归因、