TabSHAP
arXiv cs.LG / 2026/4/24
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文では、Tabular分類に用いられるLLMに対して、ハイステークス用途に向けた忠実なローカル説明を提供するモデル非依存の解釈手法「TabSHAP」を提案しています。
- TabSHAPは、Shapley型のサンプル化した連合推定をベースにしつつ、入力全体とマスク入力のクラス分布間のJensen–Shannonダイバージェンスを用いて、各特徴量の分布的影響を測定します。
- プロンプト内の意味論を保つため、サブワード単位ではなく、シリアライズされたkey:valueフィールド単位（プロンプト中の原子的要素）でマスクします。
- Adult IncomeおよびHeart Diseaseの実験で、TabSHAPはランダム基準やXGBoostプロキシよりも有意に忠実な帰属（アトリビューション）を示しました。
- さらに、距離指標のアブレーションとしてJSDの代わりにKLまたはL1で帰属を再計算し、削除の忠実度を指標ごとに比較（指標設定ごとに結果をキャッシュ）しています。
