本研究課題では、説明可能な人工知能（Explainable AI: XAI）における特徴量寄与の問題を、協力ゲーム理論および区間ゲームの枠組みに基づいて再定式化し、理論的基盤と計算手法の両面から発展させることを目的としている。2025年度においては、機械学習モデルの予測値を各特徴量の寄与に分解する問題を、協力ゲーム理論、特に譲渡可能な効用を持つTUゲームとして考え（「XAI–TUゲーム」）その特徴を考察した。具体的には、空集合の値がゼロでない場合や、正負の提携価値が同時に存在する場合など、従来の協力ゲームとは異なる特徴を指摘した。

そのうえで、SHAP（Shapley Additive exPlanations）に代表される既存手法の計算コストや近似誤差の問題に対処するため、Equal Surplus（ES）およびEgalitarian Nonseparable Contribution（ENSC）といった協力ゲーム理論の解概念に基づく新たな特徴量寄与ルール（ESENSC型ルール）を提案した。この手法は、効率性やダミー性といった基本的な公理を満たしつつ、計算コストがSHAPと比べ大幅に小さいという実用的な利点を有する。また、SHAPとの乖離を定量的に評価する指標を導入し、ニューラルネットワークやXGBoostモデルを用いた数値実験により、提案手法が既存の近似的SHAP手法と比較して高い精度と安定性を持つことを示した。また、これらの手法を長期金利・失業率といった時系列データや、日本株の株価リターンの予測に適用し、日本銀行のETF買入れ等の政策に対する評価を試みた。

以上の成果は、協力ゲーム理論と機械学習の融合領域において、理論的厳密性と計算効率性を両立する新たな説明手法を提示するものである。また、金融分野など説明責任が重視される領域における応用に重要な示唆を与えるものであり、引き続き同テーマの研究を継続していきたい。