確率的価値推定のための統計的観点による一次（ファーストオーダー）効率

概要: シャープレイ値やセミバリューを含む確率的な値は、ブラックボックスモデルの振る舞いをデータ点や特徴へ帰属させるためのモデル非依存の枠組みを提供し、説明可能な人工知能やデータ価値の評価など、幅広い応用がある。しかし、それらを正確に計算するには、指数的に多数の連合に対するユーティリティ評価が必要となるため、現代の機械学習アプリケーションではモンテカルロ近似が不可欠である。既存の推定量は、加重平均、自己正規化による重み付け、回帰調整、加重最小二乗といった、さまざまな同定戦略を通じて開発されることが多い。私たちの重要な観察は、これら一見異なる構成が、共通の一次の誤差構造を共有していることであり、このとき主要項は、サンプリング則と作業用サロゲート関数によって決まる、拡張された逆確率重み付けの影響（インフルエンス）項となる。この一次の表現は、主要な平均二乗誤差（MSE）の明示的な式を与え、それによってサンプリング則とサロゲートが統計的効率をどのように共同で決定するかを特徴づける。この基準に導かれ、私たちは、一次のMSEを最小化するためにサンプリング則とサロゲートを直接選択する、効率を意識したサロゲート調整推定量（Efficiency-Aware Surrogate-adjusted Estimator; EASE）を提案する。EASEは、さまざまな確率的な値において、最先端の推定量よりも一貫して優れていることを示す。