ترجمه فارسی مقاله توضیح یک پیش‌بینی احتمالی روی سیمپلکس با ترکیبات شپلی

چکیده

Originating in game theory, Shapley values are widely used for explaining a machine learning model’s prediction by quantifying the contribution of each feature’s value to the prediction. This requires a scalar prediction as in binary classification, whereas a multiclass probabilistic prediction is a discrete probability distribution, living on a multidimensional simplex. In such a multiclass setting the Shapley values are typically computed separately on each class in a one-vs-rest manner, ignoring the compositional nature of the output distribution. In this paper, we introduce Shapley compositions as a well-founded way to properly explain a multiclass probabilistic prediction, using the Aitchison geometry from compositional data analysis. We prove that the Shapley composition is the unique quantity satisfying linearity, symmetry and efficiency on the Aitchison simplex, extending the corresponding axiomatic properties of the standard Shapley value. We demonstrate this proper multiclass treatment in a range of scenarios.

چکیده به فارسی (ترجمه ماشینی)

با سرچشمه نظریه بازی ، مقادیر Shapley به طور گسترده ای برای توضیح پیش بینی مدل یادگیری ماشین با تعیین کمیت سهم ارزش هر ویژگی در پیش بینی استفاده می شود.این نیاز به یک پیش بینی مقیاس مانند طبقه بندی باینری دارد ، در حالی که یک پیش بینی احتمالی چند طبقه یک توزیع احتمال گسسته است ، که روی یک سیمپلکس چند بعدی زندگی می کند.در چنین تنظیم چند قلو ، مقادیر Shapley به طور معمول بر روی هر کلاس به صورت یک ولتاژ محاسبه می شود ، و ماهیت ترکیبی توزیع خروجی را نادیده می گیرد.در این مقاله ، ما ترکیبات Shapley را به عنوان روشی کاملاً مستقر برای توضیح صحیح یک پیش بینی احتمالی چند طبقه ، با استفاده از هندسه Aitchison از تجزیه و تحلیل داده های ترکیبی معرفی می کنیم.ما ثابت می کنیم که ترکیب Shapley یک مقدار منحصر به فرد است که خطی ، تقارن و کارآیی را در Aitchison Simplex رضایت بخش می کند و خصوصیات بدیهی مربوطه از مقدار استاندارد Shapley را گسترش می دهد.ما این درمان چند طبقه مناسب را در طیف وسیعی از سناریوها نشان می دهیم.