あるモデルが特定の予測を下す理由を理解することは、多くの応用において予測の正確性と同等に重要である。しかし、大規模な現代的なデータセットにおいて最高の精度を達成するには、アンサンブルモデルや深層学習モデルなど、専門家ですら解釈が困難な複雑なモデルを用いることが多く、精度と解釈可能性の間に矛盾が生じる。こうした問題に対応するため、近年、複雑なモデルの予測を理解する手助けとなるさまざまな手法が提案されてきたが、これらの手法どうしの関係性や、どの場合にどの手法が優れているかが明確でないことが多い。本研究では、予測の解釈を統一的に扱う枠組み「SHAP（SHapley Additive exPlanations）」を提示する。SHAPは、特定の予測に対して各特徴量に重要度値を割り当てる。その特徴的な点として、以下の2点が挙げられる：（1）加法的な特徴量重要度測度の新たなクラスの同定、および（2）そのクラスにおいて、望ましい性質を持つ一意の解が存在することを示す理論的結果。この新クラスは、既存の6つの手法を統合しており、特に近年提案されたいくつかの手法が本研究で提示された望ましい性質を欠いている点が注目される。この統一的視点に基づき、従来のアプローチと比較して計算効率が向上し、あるいは人間の直感とより一貫性を持つ新しい手法を提案する。