📈 economics

Sequential Elimination and Union Shapley Value for Group Assessment in Coalitional Games

Dit artikel introduceert de Unie-Shapleywaarde als een natuurlijke groepsbeoordelingsmethode gebaseerd op sequentiële eliminatie, vestigt de orde-onafhankelijkheid daarvan voor de meeste semiwaarden, en onderscheidt axioma-tisch groepswaarden die totale waarde meten van die welke synergie meten, terwijl het verbindingen blootlegt met bestaande concepten zoals het Interactie-index.

Oorspronkelijke auteurs: Piotr Kępczyński, Oskar Skibski

Gepubliceerd 2026-05-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Piotr Kępczyński, Oskar Skibski

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te zoeken hoeveel krediet een specifiek team mensen verdient voor een groot project. Je weet hoeveel elke individuele bijdrage op zichzelf heeft geleverd, maar hoe waarde je de groep als geheel? Tel je gewoon hun individuele scores op? Of behandel je de hele groep als één enkele "super-persoon"?

Dit artikel behandelt precies die vraag met behulp van de wiskunde van "coöperatieve spellen" (denk hierbij aan een formele manier om teamwork te bestuderen). De auteurs betogen dat de twee meest gebruikelijke manieren om die vraag te beantwoorden eigenlijk gebrekkig zijn, omdat ze de nuance missen van hoe mensen samenwerken.

Hier is de uiteenzetting van hun ideeën, met behulp van eenvoudige analogieën.

Het Probleem: Twee Slechte Manieren om te Tellen

De auteurs zeggen dat de meeste mensen proberen een groep op één van de volgende twee manieren te waarderen:

De "Tel-Het-Op"-Methode: Je telt gewoon de individuele score van iedereen op.
- Het Gebrek: Dit negeert dat mensen misschien precies hetzelfde doen. Als twee mensen dezelfde zware doos dragen, maakt het optellen van hun scores het alsof de doos twee keer zo zwaar is als hij is. Het telt de inspanning dubbel.
De "Lijm"-Methode (Samenvoegen): Je stelt je voor dat je de groep aan elkaar plakt tot één grote super-persoon en bekijkt hoeveel die super-persoon bijdraagt.
- Het Gebrek: Dit negeert het feit dat de groep interne conflicten of redundantie kan hebben. Het behandelt de groep als één eenheid, en negeert dat de leden onafhankelijk kunnen zijn of op vreemde manieren overlappen.

Het Voorbeeld uit het Artikel:
Stel je een spel voor met vier spelers: A, B, C en D.

A en B werken samen om een huis te bouwen (1 eenheid waarde).
C en D werken samen om een ander huis te bouwen (1 eenheid waarde).
A en C werken helemaal niet samen.

Als je vraagt: "Wie is belangrijker: het paar {A, B} of het paar {A, C}?"

De oude methoden zeggen dat ze gelijk zijn.
De auteurs zeggen dat {A, C} eigenlijk belangrijker is. Waarom? Omdat als je {A, C} verwijdert, je twee onafhankelijke bronnen van waarde verliest (het A-B-huis en het C-D-huis). Als je {A, B} verwijdert, verlies je slechts één bron. De oude methoden misten dit omdat ze geen rekening hielden met de "schade" die het verwijderen van de groep veroorzaakte.

De Oplossing: De "Sequentiële Eliminatie"-Methode

De auteurs stellen een nieuwe manier om hierover na te denken voor, genaamd Sequentiële Eliminatie.

Stel je voor dat je een detective bent die probeert uit te zoeken hoeveel een specifieke groep verdachten heeft bijgedragen aan een misdaad. In plaats van ze allemaal tegelijk te bekijken, verwijder je ze één voor één.

Je verwijdert de eerste persoon en ziet hoeveel de "misdaadplek" (het spel) verandert.
Je verwijdert de tweede persoon uit de overgebleven groep en ziet hoeveel dat verandert.
Je telt al die veranderingen op.

Deze methode lost het probleem van "dubbel tellen" op. Als twee mensen hetzelfde doen, lost het verwijderen van de eerste het probleem op, dus het verwijderen van de tweede verandert niets. Als ze verschillende dingen doen, veroorzaakt het verwijderen van beiden een grote verandering.

De Ster van de Show: De "Unie Shapley-waarde"

De auteurs passen dit idee van "Sequentiële Eliminatie" toe op de beroemde Shapley-waarde (een standaard manier om beloningen in de speltheorie te verdelen). Ze noemen hun nieuwe resultaat de Unie Shapley-waarde.

Wat het meet: Het meet de totale "schade" die het spel oploopt wanneer de hele groep vertrekt.
De Metafoor: Denk aan een puzzel. De "Unie Shapley-waarde" vraagt: "Als we deze specifieke groep puzzelstukken weg halen, hoeveel van de afbeelding verdwijnt er?"
- Als de stukken overlappen (redundant), verdwijnt de afbeelding niet zo veel.
- Als de stukken uniek zijn en verschillende delen van de afbeelding bedekken, verdwijnt de afbeelding veel.
Waarom het speciaal is: Het is de enige methode die eerlijk is, ongeacht de volgorde waarin je de mensen verwijdert. Het behandelt de groep als een "unie" van hun unieke bijdragen, zodat niemand dubbel krediet krijgt voor hetzelfde werk.

Het "Synergie"-Gegenstuk: De "Sned Shapley-waarde"

Het artikel introduceert ook een "tweeling"-concept genaamd de Sned Shapley-waarde.

De Analogie: Als de "Unie"-waarde het totale oppervlak meet dat door de groep wordt bedekt (zoals de buitenrand van een Venn-diagram), meet de "Sned"-waarde de overlap (het middenstuk waar de cirkels elkaar raken).
Wat het doet: Het meet pure synergie. Het vraagt: "Hoeveel waarde bestaat er alleen omdat deze specifieke mensen samenwerken?"
- Als A en B onafhankelijk zijn, is hun synergie nul.
- Als A en B een perfect team zijn dat iets creëert dat ze alleen niet zouden kunnen, is hun synergie hoog.

De auteurs tonen een prachtige relatie aan:

Totale Waarde van de Groep = (Unie-waarde) + (Sned-waarde)

Of, in hun termen: De som van de totale bijdrage van de groep (Unie) plus hun pure teamwork-bonus (Sned) is gelijk aan de som van wat ze zouden krijgen als ze gewoon individuen waren.

Het Grote Plaatje

Het artikel bouwt in wezen een nieuw regelboek voor het waarderen van teams:

Oude Regels: Tel ze gewoon op of lijm ze samen (gebrekkig).
Nieuwe Regel (Sequentiële Eliminatie): Verwijder ze één voor één om het ware effect te zien.
Het Resultaat: Dit leidt tot de Unie Shapley-waarde, wat de meest natuurlijke manier is om te zeggen: "Deze groep is waardevol omdat ze samen dit veel grondgebied bedekken."
De Bonus: Het geeft ons ook de Sned Shapley-waarde, die ons precies vertelt hoeveel "magie" er gebeurt wanneer ze samenwerken.

De auteurs bewijzen wiskundig dat deze benadering de meest logische en eerlijke manier is om individuele scores uit te breiden naar groepen, en de blinde vlekken van eerdere methoden oplost. Ze claimen niet dat dit een magische oplossing is voor echte wereldproblemen, maar ze hebben een zeer sterke theoretische basis gelegd voor hoe we moeten denken over groepswaarde.

Technische Samenvatting: Sequentiële Eliminatie en Unie-Shapleywaarde voor Groepsbeoordeling in Coalitiespellen

Probleemstelling
In de coöperatieve speltheorie en aanverwante gebieden zoals netwerkcentraaliteit en datawaardering in het machine learning, is een fundamentele uitdaging het uitbreiden van individuele spelersbeoordelingen naar groepen. Bestaande methoden vertrouwen doorgaans op twee rechttoe-rechtaan benaderingen:

Sommatie: Aggregatie van individuele waarden (bijvoorbeeld de som van Shapley-waarden). Dit negeert de onderliggende structuur van samenwerking en afhankelijkheden tussen spelers.
Samenvoegen: Het behandelen van de groep als één samengevoegd element en het beoordelen daarvan (bijvoorbeeld de Merge-Shapleywaarde). Dit verandert de spelstructuur en faalt in het onderscheid maken tussen onafhankelijke en sterk afhankelijke spelers.

Beide benaderingen slagen er vaak niet in om afhankelijkheden binnen groepen nauwkeurig te vangen. Bijvoorbeeld, in een spel waarbij twee disjuncte paren spelers onafhankelijk van elkaar waarde genereren, kan het optellen van individuele waarden of het samenvoegen van groepen ten onrechte gelijke belangrijkheid toekennen aan een paar samenwerkende spelers en een paar onafhankelijke spelers, waardoor de asymmetrie in hun systemische impact niet wordt weerspiegeld.

Methodologie
De auteurs stellen een derde benadering voor en analyseren deze, gebaseerd op sequentiële eliminatie. In dit kader worden elementen van een groep één voor één verwijderd en worden hun beoordelingen in de resulterende gereduceerde spellen geaggregeerd. De kernhypothese is dat deze methode de netto-bijdrage van een groep op natuurlijke wijze meet door overlappende effecten te verdisconteren en zich te focussen op de schade veroorzaakt door het ontbreken van de groep.

De studie is gebaseerd op een uitgebreide axiomatische analyse van groepswaarden in coalitiespellen. De methodologie omvat:

Definiëren van Axiomatische Klassen: De auteurs introduceren een klasse van groepswaarden (zwak consistente) semivaluut. Dit zijn groepswaarden die voldoen aan Lineariteit, Symmetrie, Zwakke Monotonie, Null Player Out en het Dummy Player-axioma. Zij definiëren ook een overeenkomstige klasse van synergie-semivaluut, die het Dummy Player-axioma vervangen door het Dummifying Player-axioma (geïntroduceerd door Grabisch en Roubens).
Sequentiële Uitbreiding: Het artikel stelt vast dat een spelerwaarde een sequentiële uitbreiding toestaat dan en slechts dan als deze voldoet aan de eigenschap van Gebalanceerde Bijdragen. Het wordt bewezen dat elke consistente semivalue (die voldoet aan Null Player Out) een unieke sequentiële uitbreiding toestaat.
Potentiaalfunctie: De auteurs maken gebruik van de potentiaalfunctie geïntroduceerd door Hart en Mas-Colell om de sequentiële uitbreiding van de Shapley-waarde te karakteriseren.

Belangrijkste Bijdragen en Resultaten

De Unie-Shapleywaarde:
De auteurs introduceren de Unie-Shapleywaarde als de unieke sequentiële uitbreiding van de Shapley-waarde. Deze wordt gedefinieerd als het verschil tussen de potentie van het oorspronkelijke spel en de potentie van het spel nadat de groep is verwijderd:
$US_S(N, v) = P(N, v) - P(N \setminus S, v) = \sum_{T \subseteq N, S \cap T \neq \emptyset} \frac{\Delta v(T)}{|T|}$
waarbij $\Delta v(T)$ de Harsanyi-dividenden zijn.
- Interpretatie: Deze waarde meet de "schade" toegebracht aan het spel wanneer een groep vertrekt. Het aggregeert bijdragen zodanig dat het dividend van elke coalitie maximaal één keer wordt geteld, zelfs als de groep meerdere leden van die coalitie bevat.
- Axiomatisatie: De Unie-Shapleywaarde wordt uniek gekarakteriseerd door de axioma's van Potentie (of Gebalanceerde Bijdragen) gecombineerd met Efficiëntie. Zij wordt ook uniek gekarakteriseerd onder groepswaarden door Gelijke Groepsbehandeling (alle groepen in een unanieme coalitie zijn even belangrijk).
Axiomatische Classificatie van Groepswaarden:
Het artikel onderscheidt tussen twee varianten van groepsbeoordeling:
- Totale Waarde: Waarden die de totale waarde van een groep beoordelen (bijvoorbeeld Som-uitbreiding, Merge-Shapley, Unie-Shapley). Deze worden vastgelegd door groepswaarden.
- Synergie: Waarden die de synergie van een groep meten (bijvoorbeeld Interactie-index). Deze worden vastgelegd door synergie-semivaluut.
  De auteurs bieden een functionele correspondentie tussen deze twee klassen. Specifiek tonen zij aan dat de Merge-Shapleywaarde correspondeert met de Interactie-index (een synergetisch tegenhanger), en dat de Unie-Shapleywaarde correspondeert met een nieuwe synergetische waarde genaamd de Intersectie-Shapleywaarde.
De Intersectie-Shapleywaarde:
Gedefinieerd als de som van dividenden van coalities die de gehele groep bevatten:
$IS_S(N, v) = \sum_{S \subseteq T \subseteq N} \frac{\Delta v(T)}{|T|}$
Deze waarde meet de intersectie van bijdragen. Voor een groep van grootte twee, is de som van de Unie-Shapleywaarde en de Intersectie-Shapleywaarde gelijk aan de som van de individuele Shapley-waarden:
$US_{\{i,j\}}(N, v) + IS_{\{i,j\}}(N, v) = SV_i(N, v) + SV_j(N, v)$
Deze decompositie maakt het mogelijk om de gezamenlijke waarde van een groep te scheiden in een "unie"-deel (bijdragen één keer tellen) en een "intersectie"-deel (synergie).
Vergelijking met Bestaand Werk:
De analyse verduidelijkt de relatie tussen de voorgestelde waarden en bestaande literatuur:
- De Merge-Shapleywaarde (Marichal et al.) wordt aangetoond als de unieke groepswaarde die voldoet aan het Dummy Coalitie-axioma.
- De Interactie-index (Grabisch en Roubens) wordt geïdentificeerd als een synergie-semivalue, onderscheiden van groepswaarden omdat deze het standaard Dummy Player-axioma schendt ten gunste van het Dummifying Player-axioma.
- Het artikel demonstreert dat de sequentiële uitbreidingsbenadering theoretisch robuust is, aangezien deze van toepassing is op alle consistente semivaluut en waarden oplevert met sterke axiomatische eigenschappen.

Betekenis
Het artikel stelt dat de sequentiële uitbreidingsbenadering, en specifiek de Unie-Shapleywaarde, een van de meest natuurlijke en theoretisch onderbouwde uitbreidingen van spelerswaarden naar groepen in coalitiespellen vormt. Door onderscheid te maken tussen het beoordelen van totale waarde en het meten van synergie, bieden de auteurs een unifyend kader dat de verschillen tussen bestaande concepten in de literatuur verduidelijkt. De introductie van de Unie- en Intersectie-Shapleywaarden biedt nieuwe tools voor het analyseren van interacties, met name in scenario's waarbij de overlap van bijdragen moet worden verdisconteerd (Unie) of waar pure synergie moet worden geïsoleerd (Intersectie). Het werk stelt vast dat deze waarden geen willekeurige heuristieken zijn, maar uniek worden bepaald door fundamentele axioma's zoals Gebalanceerde Bijdragen, Potentie en Gelijke Groepsbehandeling.

Het Probleem: Twee Slechte Manieren om te Tellen

De Oplossing: De "Sequentiële Eliminatie"-Methode

De Ster van de Show: De "Unie Shapley-waarde"

Het "Synergie"-Gegenstuk: De "Sned Shapley-waarde"

Het Grote Plaatje

Meer zoals dit