[논문 리뷰] Priority-Aware Shapley Value

Kiljae Lee, Ziqi Liu외 2명|arXiv (Cornell University)|2026. 02. 10.

Data Quality and Management인용 수 0

한 줄 요약

PASV는 하드 선행 제약을 소프트하고 기여자별 우선순위 가중치와 결합하여 구조를 충실하게 하는 데이터 평가 및 특징 기여를 생성하며, 확장 가능한 몬테카를로 추정 및 우선순위 스윕이라는 민감도 도구를 제공합니다.

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".

연구 동기 및 목표

• 협력자 간 의존성과 선행관계를 존중하는 가치 평가 방법의 필요성 동기 부여.
• 하드 선행 제약과 소프트한 기여자별 우선순위를 결합하는 통합된 Shapley 유형의 값을 정의.
• 비균등 가중치 하에서 선행가능한 순서를 샘플링하기 위한 확장 가능한 MCMC 기반 추정기 개발.
• PASV를 고유하게 식별하는 공리적 특징화와 극단적 우선순위 하의 한계 체제 설명.
• 평가의 강건성 분석을 위한 실용적 진단 도구(우선순위 스윕) 제공.

제안 방법

• 전반적인 선행과 가중치를 존중하는 p^(preceq, lambda)로 random-order 가치로 PASV를 형식화.
• 모든 가중치가 동일하면 PASV가 PSV로 축소되고, 정렬 분할인 DAG에 대해서는 WSV로 축소됨을 보인다.
• SCF(state–choice factorization) 표현을 제공하여 선행 제약 하에 Plackett–Luce 스타일 샘플링을 가능하게 한다.
• 인접 스왑 Metropolis–Hastings 샘플러를 개발하여 PASV 분포를 효율적으로 근사한다.
• 극단적 가중치가 수정된 선행 구조를 야기하는 극한 체제에 대한 이론적 결과를 도출한다.
• 가중치의 민감도를 평가하는 진단으로서 우선순위 스윕 도입.

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 $(\Pi^{\preceq})$

실험 결과

연구 질문

• RQ1 하드 선행 제약과 소프트한 per-player 우선순위를 모두 통합하는 Shapley-type 기여는 가능할까?
• RQ2 PASV가 기존의 선행 기반 및 가중치 기반 Shapley 변형을 통합하고, 어떤 조건에서 이러한 축소가 정확한가?
• RQ3 일반 DAG를 가진 큰 선수 집합에 대해 PASV를 효율적으로 계산할 수 있는가?
• RQ4 극단적 우선순위 가중치가 기본 선행 구조에 미치는 한정적 영향은 무엇인가?
• RQ5 PASV가 데이터 가치 평가 및 특징 기여에 대해 실행 가능한 민감도 분석을 제공할 수 있는가?

주요 결과

• PASV는 하드 선행 제약과 소프트 우선순위를 결합한 선행 가능 순서의 단일 분포를 제공한다.
• 가중치가 모두 동일하면 PASV는 PSV로 축소되고, DAG가 정렬된 분할인 경우 WSV로 축소된다.
• SCF 형태는 확장 가능한 몬테카를로 추정을 지원하고 가중치를 소프트 우선순위로 해석 가능하게 한다.
• 인접 스왑 Metropolis–Hastings 샘플러를 통해 PASV 분포에서 효율적으로 샘플링할 수 있다.
• 극단적 가중치는 원래 DAG를 바꾸지 않고도 극한 동작으로 선행 구조에 효과적인 변화를 유도할 수 있다.
• 데이터 가치 평가(MNIST/CIFAR10) 및 특징 기여(Census Income) 실험은 더 구조충실한 할당과 우선순위 스윕을 통한 실용적 민감도 분석을 보여준다.

(a) Ordered Partition