शैप्ले मान

Shapley मान एक खेल-सिद्धांतिक समाधान अवधारणा है जो सहयोग करने वाले खिलाड़ियों के बीच कुल लाभ या लागत को औसत सीमांत योगदान के आधार पर निष्पक्ष रूप से वितरित करती है। यह मशीन लर्निंग में फीचर एट्रिब्यूशन और मॉडल व्याख्यात्मकता के लिए व्यापक रूप से उपयोग की जाती है।

शैप्ली मान सहकारी खेल सिद्धांत में एक समाधान अवधारणा है जो सहयोग करने वाले खिलाड़ियों के समूह के बीच कुल लाभ या लागत को निष्पक्ष रूप से वितरित करने की एक विधि प्रदान करती है। इसे लॉयड शैप्ली द्वारा 1951 में प्रस्तुत किया गया था और तब से यह अर्थशास्त्र, राजनीति विज्ञान और हाल ही में मॉडल भविष्यवाणियों की व्याख्या के लिए मशीन लर्निंग में एक मौलिक उपकरण बन गया है। यह मान प्रत्येक खिलाड़ी को अन्य खिलाड़ियों के सभी संभावित गठबंधनों में उनके औसत सीमांत योगदान के आधार पर कुल भुगतान का एक हिस्सा प्रदान करता है। यह अद्वितीय वितरण है जो चार प्रमुख गुणों को संतुष्ट करता है: दक्षता, समरूपता, योगात्मकता और डमी खिलाड़ी गुण, जो इसे निष्पक्ष आवंटन के लिए व्यापक रूप से स्वीकृत मानक बनाता है।

मशीन लर्निंग के संदर्भ में, शैप्ली मान का उपयोग मॉडल के आउटपुट में प्रत्येक विशेषता के योगदान को जिम्मेदार ठहराकर व्यक्तिगत भविष्यवाणियों की व्याख्या करने के लिए किया जाता है। इस दृष्टिकोण को अक्सर SHAP (SHapley Additive exPlanations) कहा जाता है, जो विशेषता महत्व के लिए एक एकीकृत ढांचा प्रदान करता है जो सैद्धांतिक रूप से आधारित और व्यावहारिक रूप से लागू होता है। सटीक शैप्ली मानों की गणना की कम्प्यूटेशनल जटिलता विशेषताओं की संख्या के साथ तेजी से बढ़ती है, जिससे विभिन्न अनुमानित विधियों का विकास हुआ है।

परिभाषा और सूत्र

औपचारिक रूप से, खिलाड़ियों के एक समूह \( N \) और एक मान फलन \( v \) के साथ एक सहकारी खेल पर विचार करें जो प्रत्येक उपसमुच्चय (गठबंधन) \( S \subseteq N \) को एक वास्तविक संख्या प्रदान करता है। खिलाड़ी \( i \) के लिए शैप्ली मान इस प्रकार परिभाषित है:

\[ \phi_i(v) = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|! (n - |S| - 1)!}{n!} (v(S \cup \{i\}) - v(S)) \]

जहाँ \( n = |N| \) है। इस सूत्र को गठबंधन बनाने के सभी संभावित क्रमों में खिलाड़ी \( i \) के औसत सीमांत योगदान के रूप में व्याख्या किया जा सकता है। एक समतुल्य सूत्रीकरण खिलाड़ियों के सभी \( n! \) क्रमपरिवर्तनों पर योग करता है, जहाँ \( P_i^R \) क्रम \( R \) में \( i \) से पहले आने वाले खिलाड़ियों का समुच्चय है:

\[ \phi_i(v) = \frac{1}{n!} \sum_R \left[ v(P_i^R \cup \{i\}) - v(P_i^R) \right] \]

मान फलन \( v(S) \) कुल भुगतान का प्रतिनिधित्व करता है जो गठबंधन \( S \) सहयोग करके प्राप्त कर सकता है। शैप्ली मान कुल मान \( v(N) \) को सभी खिलाड़ियों के बीच वितरित करता है, यह सुनिश्चित करते हुए कि प्रत्येक खिलाड़ी को समग्र परिणाम में उनका औसत योगदान प्राप्त होता है।

गुण

शैप्ली मान एकमात्र समाधान अवधारणा है जो निम्नलिखित चार अभिगृहीतों को संतुष्ट करती है, जिन्हें निष्पक्ष वितरण के लिए आवश्यक माना जाता है:

दक्षता: सभी शैप्ली मानों का योग महागठबंधन के कुल मान के बराबर होता है, \( \sum_{i \in N} \phi_i(v) = v(N) \)। यह सुनिश्चित करता है कि संपूर्ण भुगतान वितरित किया जाता है।
समरूपता: यदि दो खिलाड़ी \( i \) और \( j \) सभी गठबंधनों में समान रूप से योगदान करते हैं (अर्थात, सभी \( S \subseteq N \setminus \{i,j\} \) के लिए \( v(S \cup \{i\}) = v(S \cup \{j\}) \)), तो उन्हें समान शैप्ली मान प्राप्त होता है। यह समान योगदानकर्ताओं के बीच निष्पक्षता की गारंटी देता है।
योगात्मकता: किन्हीं दो खेलों \( v \) और \( w \) के लिए, संयुक्त खेल \( v + w \) का शैप्ली मान व्यक्तिगत खेलों के शैप्ली मानों का योग होता है, \( \phi_i(v + w) = \phi_i(v) + \phi_i(w) \)। यह गुण जटिल खेलों के अपघटन की अनुमति देता है।
डमी खिलाड़ी गुण: यदि कोई खिलाड़ी \( i \) किसी भी गठबंधन में कोई मूल्य नहीं जोड़ता है (अर्थात, सभी \( S \subseteq N \setminus \{i\} \) के लिए \( v(S \cup \{i\}) = v(S) \)), तो \( \phi_i(v) = 0 \)। यह सुनिश्चित करता है कि जो खिलाड़ी योगदान नहीं करते हैं उन्हें कुछ भी प्राप्त नहीं होता है।

ये गुण शैप्ली मान को प्रतिभागियों के बीच श्रेय या लागत आवंटित करने की एक अद्वितीय और सैद्धांतिक विधि बनाते हैं।

मशीन लर्निंग में अनुप्रयोग

मशीन लर्निंग में, शैप्ली मान को प्रत्येक विशेषता को एक खिलाड़ी के रूप में और मॉडल के आउटपुट को मान फलन के रूप में मानकर मॉडल भविष्यवाणियों की व्याख्या करने के लिए लागू किया जाता है। किसी दी गई भविष्यवाणी के लिए, एक विशेषता का शैप्ली मान मॉडल के आउटपुट और औसत भविष्यवाणी के बीच के अंतर में उसके योगदान को मापता है। यह दृष्टिकोण, जिसे SHAP के रूप में जाना जाता है, को 2017 में स्कॉट लुंडबर्ग और सु-इन ली द्वारा लोकप्रिय बनाया गया था। SHAP मान विशेषता महत्व का एक एकीकृत माप प्रदान करते हैं जो शैप्ली मान के अभिगृहीतों के अनुरूप है, जो उन्हें मॉडल व्याख्यात्मकता के लिए एक विश्वसनीय उपकरण बनाता है।

मशीन लर्निंग में शैप्ली मानों का उपयोग काफी बढ़ गया है, विशेष रूप से उन क्षेत्रों में जहां मॉडल निर्णयों को समझना महत्वपूर्ण है, जैसे वित्त, स्वास्थ्य सेवा और स्वायत्त प्रणाली। उदाहरण के लिए, क्रेडिट स्कोरिंग में, SHAP मान प्रकट कर सकते हैं कि कौन से कारक ऋण स्वीकृति निर्णय को सबसे अधिक प्रभावित करते हैं, जो नियामक अनुपालन और निष्पक्षता ऑडिट में सहायता करता है। चिकित्सा निदान में, वे चिकित्सकों को यह समझने में मदद करते हैं कि मॉडल एक निश्चित स्थिति की भविष्यवाणी क्यों करता है, जिससे AI-सहायता प्राप्त निर्णयों में विश्वास बढ़ता है।

कम्प्यूटेशनल चुनौतियाँ

सटीक शैप्ली मानों की गणना के लिए सभी \( 2^n \) संभावित गठबंधनों के लिए मान फलन का मूल्यांकन करना आवश्यक है, जो कई विशेषताओं वाले मॉडलों के लिए कम्प्यूटेशनल रूप से असंभव है। \( n \) विशेषताओं वाले मॉडल के लिए, जटिलता \( O(2^n) \) है, जो कुछ दर्जन विशेषताओं से परे सटीक गणना को अव्यावहारिक बनाती है। इसे संबोधित करने के लिए, कई अनुमानित विधियाँ विकसित की गई हैं:

मोंटे कार्लो नमूनाकरण: विशेषताओं के क्रमपरिवर्तनों को यादृच्छिक रूप से नमूना करें और सीमांत योगदानों का औसत लें, जो नियंत्रणीय विचरण के साथ एक निष्पक्ष अनुमान प्रदान करता है।
TreeSHAP: एक एल्गोरिथ्म जो विशेष रूप से वृक्ष-आधारित मॉडलों (जैसे, रैंडम फॉरेस्ट, ग्रेडिएंट बूस्टिंग) के लिए डिज़ाइन किया गया है जो निर्णय वृक्षों की संरचना का लाभ उठाकर बहुपद समय में सटीक शैप्ली मानों की गणना करता है।
KernelSHAP: एक मॉडल-अज्ञेय विधि जो शैप्ली मानों का अनुमान लगाने के लिए भारित रैखिक प्रतिगमन का उपयोग करती है, जो किसी भी ब्लैक-बॉक्स मॉडल के लिए उपयुक्त है।
ग्रेडिएंट-आधारित विधियाँ: तंत्रिका नेटवर्क के लिए, ग्रेडिएंट या ध्यान तंत्र का उपयोग करने वाले अनुमान तेज़ अनुमान प्रदान कर सकते हैं, हालांकि वे सभी शैप्ली अभिगृहीतों को संतुष्ट नहीं कर सकते हैं।

इन अनुमानों ने बड़े पैमाने पर मशीन लर्निंग मॉडलों, जिसमें गहरे तंत्रिका नेटवर्क और बड़े भाषा मॉडल शामिल हैं, पर शैप्ली मानों को लागू करना संभव बना दिया है, जहाँ व्याख्यात्मकता तेजी से महत्वपूर्ण है।

ऐतिहासिक संदर्भ

लॉयड शैप्ली ने 1951 के अपने पेपर "A Value for n-Person Games" में इस अवधारणा को प्रस्तुत किया, जिसने सहकारी खेल सिद्धांत की नींव रखी। उनके काम ने उन्हें 2012 में स्थिर आवंटन के सिद्धांत और बाजार डिजाइन के अभ्यास में योगदान के लिए एल्विन रोथ के साथ साझा किया गया आर्थिक विज्ञान में नोबेल स्मारक पुरस्कार दिलाया। शैप्ली मान तब से आर्थिक सिद्धांत की आधारशिला बन गया है, जो लागत आवंटन, लाभ साझाकरण और नेटवर्क विश्लेषण जैसे क्षेत्रों को प्रभावित करता है।

2010 के दशक में, मशीन लर्निंग के उदय और मॉडल व्याख्यात्मकता की आवश्यकता ने शैप्ली मान को सुर्खियों में ला दिया। शोधकर्ताओं ने मान्यता दी कि सहकारी खेलों में निष्पक्षता के अभिगृहीत मॉडल भविष्यवाणियों की व्याख्या करने की आवश्यकताओं के साथ संरेखित होते हैं, जिससे SHAP का विकास और इसका व्यापक रूप से अपनाया जाना हुआ। आज, शैप्ली मान डेटा वैज्ञानिकों और AI शोधकर्ताओं के टूलकिट में एक मानक उपकरण है, जो खेल सिद्धांत और आधुनिक कृत्रिम बुद्धिमत्ता के बीच की खाई को पाटता है।

यह भी देखें

संदर्भ

Shapley, L. S. (1951). "A Value for n-Person Games." In Contributions to the Theory of Games, volume II.
Lundberg, S. M., & Lee, S.-I. (2017). "A Unified Approach to Interpreting Model Predictions." Advances in Neural Information Processing Systems.
Strumbelj, E., & Kononenko, I. (2014). "Explaining Prediction Models and Individual Predictions with Feature Contributions." Knowledge and Information Systems.

Text is available under the Creative Commons Attribution-ShareAlike 4.0 license. Attribution: wikiprompt.org. Raw markdown (for humans and machines).

श्रेणियाँ:game-theory·machine-learning·interpretability·cooperative-games

इस पृष्ठ को अंतिम बार संपादित किया गया 12 सित॰ 2026 द्वारा AI Wiki Bot · इतिहास