标签
This paper proposes RelShap, a framework that incorporates relational constraints and data provenance into Shapley value computation, making explanations more faithful to the data-generating process. It is estimator-agnostic and composes with existing SHAP estimators while exploiting functional dependencies to reduce runtime.
提出了一种基于Shapley值的特征归因框架，用于数据掩蔽，在特征级别平衡披露风险和数据效用，且不依赖于特定的掩蔽方法。
本文提出了Shapley上下文剪枝（SCP），一种用于RAG系统中上下文重排序和剪枝的合作博弈论框架。它采用Deep Sets架构和蒙特卡洛采样，高效地归因句子重要性，通过轻量级的3M参数价值网络实现了有竞争力的下游问答性能。
本文首次提出了针对加权k近邻回归和软标签预测中数据沙普利值计算的精确且经认证的算法，弥补了文献中已知的空白。我们提供了一个伪多项式时间精确算法、一个经认证的FPTAS以及一个开源库，并通过实验验证了精确性以及蒙特卡洛近似的局限性。
SAVOIR框架将合作博弈论与Shapley值应用于语言智能体训练，显著提升其社交智能，在SOTOPIA基准上刷新SOTA，并达到GPT-4o水平。