[論文レビュー] Priority-Aware Shapley Value

Kiljae Lee, Ziqi Liu+2 more|arXiv (Cornell University)|Feb 10, 2026

Data Quality and Management被引用数 0

ひとこと要約

PASVはハードな優先制約とソフトな寄与者固有の優先度ウェイトを組み合わせて構造に忠実なデータ評価と特徴量寄与を行い、スケーラブルなモンテカルロ推定と感度診断ツール優先 sweep を提供する。

ABSTRACT

Shapley values are widely used for model-agnostic data valuation and feature attribution, yet they implicitly assume contributors are interchangeable. This can be problematic when contributors are dependent (e.g., reused/augmented data or causal feature orderings) or when contributions should be adjusted by factors such as trust or risk. We propose Priority-Aware Shapley Value (PASV), which incorporates both hard precedence constraints and soft, contributor-specific priority weights. PASV is applicable to general precedence structures, recovers precedence-only and weight-only Shapley variants as special cases, and is uniquely characterized by natural axioms. We develop an efficient adjacent-swap Metropolis-Hastings sampler for scalable Monte Carlo estimation and analyze limiting regimes induced by extreme priority weights. Experiments on data valuation (MNIST/CIFAR10) and feature attribution (Census Income) demonstrate more structure-faithful allocations and a practical sensitivity analysis via our proposed "priority sweeping".

研究の動機と目的

• 貢献者間の依存性と前提を尊重する評価方法の必要性を動機づける。
• ハードな前提制約とソフトな contributor 固有の優先度を組み合わせた統一的なShapley型値を定義する。
• 非一様ウェイトの下で前提 feasibile な順序をサンプリングするためのスケーラブルなMCMCベースの推定器を開発する。
• PASVを一意に識別する公理的特徴づけを提供し、極端な優先度の下でのリミット境界を説明する。
• 評価の堅牢性分析のための実用的な診断ツール（priority sweeping）を提供する。

提案手法

• PASVを p^(preceq, lambda) を用いたランダム順序値として定式化し、一般的な前提とウェイトを尊重する。
• 全ウェイトが等しければPASVはPSVに、順序付けられた分割の場合はWSVに縮約することを示す。
• 前提制約の下でPlackett–Luce風のサンプリングを可能にするSCF（state–choice factorization）表現を提供する。
• Adjacent-swap Metropolis–Hastingsサンプラーを開発し、PASV分布の効率的な近似を実現する。
• 極端なウェイトが前提構造を変更せずに有効に伝播するリミット境界に関する理論的結果を導出する。
• 優先 sweepを導入し、ウェイトに対する評価の感度を診断する。

Figure 5 : MNIST results. Top: Provider-level values (summed value for each provider (Lee et al. , 2025 ) ; $10$ repetitions, report mean & $\pm 1$ std. bars; Middle: Marginal contributions: $\mathbb{E}[U(\pi^{i}\cup\{i\})-U(\pi^{i})||\pi^{i}|=s]$ vs $s$ , c.f. ( 1 ), $p:=$ Uniform $(\Pi^{\preceq})$

実験結果

リサーチクエスチョン

• RQ1 Shapley型寄与をハードな前提制約とソフトな各プレイヤーの優先度の両方をどのように組み込むことができるか？
• RQ2 PASVは既存の前提ベースおよびウェイトベースのShapley変種を統一し、これらの縮約が厳密に成立する条件は何か？
• RQ3 一般的な DAG を持つ大規模なプレイヤー集合に対してPASVをどのように効率的に計算できるか？
• RQ4 極端な優先度ウェイトが基礎となる前提構造に及ぼすリミット影響は何か？
• RQ5 PASVはデータ評価と特徴量寄与に実用的な感度分析を提供できるか？

主な発見

• PASVはハードな前提とソフトな優先度ウェイトを組み合わせた前提 feasibile順序の統一分布を提供する。
• 全ウェイトが等しければPASVはPSVに縮約され、DAGが順序分割である場合はWSVに縮約される。
• SCF形はスケーラブルなモンテカルロ推定をサポートし、ウェイトをソフトな優先度として解釈可能なまま保つ。
• 隣接スワップのMetropolis–HastingsサンプラーによりPASV分布からの効率的なサンプリングが実現する。
• 極端なウェイトは元のDAGを変更することなく前提構造に実質的な変化を誘発し得る（論文で解析された極限挙動による）。
• データ評価（MNIST/CIFAR10）と特徴量寄与（Census Income）に関する実験は、より構造に忠実な割り当てとpriority sweepingによる実用的な感度分析を示す。

(a) Ordered Partition