[论文解读] A Polynomial-Time Axiomatic Alternative to SHAP for Feature Attribution

Kazuhiro Hiraki, Shinichi Ishihara+2 more|arXiv (Cornell University)|Feb 28, 2026

Explainable Artificial Intelligence (XAI)被引用 0

一句话总结

本文提出 ESENSC_rev2，一种多项式时间的加法特征归因方法，作为 SHAP 的公理化替代，具备强 null-player 属性和有竞争力的准确度，并对 PA 型解与公理基础进行分析。

ABSTRACT

In this paper, we provide a theoretically grounded and computationally efficient alternative to SHAP. To this end, we study feature attribution through the lens of cooperative game theory by formulating a class of XAI--TU games. Building on this formulation, we investigate equal-surplus-type and proportional-allocation-type attribution rules and propose a low-cost attribution rule, ESENSC_rev2, constructed by combining two polynomial-time closed-form rules while ensuring the null-player property in the XAI--TU domain. Extensive experiments on tabular prediction tasks demonstrate that ESENSC_rev2 closely approximates exact SHAP while substantially improving scalability as the number of features increases. These empirical results indicate that equal-surplus-type attribution rules can achieve favorable trade-offs between computational cost and approximation accuracy in high-dimensional explainability settings. To provide theoretical foundations for these findings, we establish an axiomatic characterization showing that ESENSC_rev2 is uniquely determined by efficiency, the null-player axiom, a restricted differential marginality principle, an intermediate inessential-game property, and axioms that reduce computational requirements. Our results suggest that axiomatically justified and computationally efficient attribution rules can serve as practical and theoretically principled substitutes for SHAP-based approximations in modern explainability pipelines.

研究动机与目标

• 将加法特征归因形式化为 XAI–TU 博弈，以捕捉可解释 AI 场景的独特结构。
• 基于等盈余与比例型解概念，开发计算高效的 AFAs。
• 通过公理化特征化，展示 ES-type AFA 如何唯一满足一组有意义的公理。
• 在真实数据上比较 ES-type 与 PA-type AFA、SHAP 及 SHAP 近似方案。
• 展示 ES-type AFA 在高维情境中的可扩展性优势与实际可行性。

提出的方法

• 将 XAI–TU 博弈写为 vτ(S)=E[f(xτ,S,XN\S)]。
• 把加法特征归因（AFA）定义为在特征之间分配 vτ(N)−vτ(∅) 的分配。
• 开发 ES、ENSC、ESENSC 及两条修正的 ES–ENSC 规则，确保 null-player 属性。
• 引入 PA-type AFA，并用 PARPA 规则解决顺序颠倒问题。
• 提出 Gately-adj 与调整后的规则，作为替代的比例型 AFA。
• 通过公理化地刻画 ES-type AFA，基于效率性、null-player、受限微分边际性、低相干性等公理。

Figure 1: Deviation from SHAP (1) neural net model

实验结果

研究问题

• RQ1 在多项式时间计算下，ES-type AFA 是否能与 SHAP 贴近近似？
• RQ2 在准确性和可扩展性方面，ES-type 与 PA-type 归因规则之间存在哪些权衡？
• RQ3 在 XAI–TU 博弈设定下，所提出的公理是否唯一地决定了 ES-type AFA？
• RQ4 修改后的 ESENSC 与 PARPA 规则在 null-player 与顺序保持性方面的表现如何？

主要发现

• ESENSC_rev2 近似准确地接近精确 SHAP，同时随着特征数量增加显著提升可扩展性。
• ES-type AFA 的评估次数远少于精确 SHAP（多项式数量级），显著低于指数级的 n。
• PA-type AFA 计算高效，但相对于 SHAP 的偏差在模型与特征数量不同情形下较大，存在顺序颠倒问题。
• 公理分析表明，ES-type AFA 由效率性、null-player、受限微分边际性、一个中间非本质博弈属性以及计算简化公理唯一确定。
• 修正后的 ESENSC_rev2 规则满足 null-player 属性，并将适用性扩展到更广的博弈实例。

Figure 2: Deviation from SHAP (2) XGBoost model