首个高效生成真实、低代价又可行的反事实解释算法，四个数据集达SOTA！
FCx: An algorithm for finding Feasible Counterfactual Explanations
📖 AI 总结
本文提出FCx算法，旨在解决现有反事实解释方法虽能生成真实且低代价的修改建议，却往往忽视可行性、给出无法实现或与未来变化不兼容方案的问题。FCx首次在保证真实性与低代价的同时显式强制可行性，同时支持由领域知识用户指定的硬可行约束，以及通过因果推断从数据集中自动推断的软可行约束。该方法基于改进的变分自编码器，采用多因素损失函数优化，以数值绝对变化（邻近性）和特征改动数量（稀疏性）衡量代价，并以局部离群因子进行密度估计来衡量真实性，确保反事实样本位于密集分布区域。在四个公开数据集上的实验表明，该方法在多项指标上达到当前最优水平，同时保证可行性。
🔑 关键词速览
| Counterfactual Explanations (CF) | 反事实解释，指通过描述对输入的最小修改来改变模型预测结果，从而解释模型决策。 |
| Feasibility | 可行性，指反事实解释所建议的修改在实际中是否可操作、可实施，且不违反领域约束。 |
| Variational Autoencoder (VAE) | 变分自编码器，一种生成模型，通过学习数据的潜在分布来生成新的样本。 |
| Hard/Soft Feasible Constraints | 硬/软可行约束：硬约束由领域知识明确指定，必须满足；软约束通过因果推断从数据中自动学习，以概率方式满足。 |
| Local Outlier Factor (LOF) | 局部离群因子，一种基于密度的异常检测方法，用于衡量样本的真实性（是否位于高密度区域）。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅