AAAIDec, 2020

混合整数线性优化有序反事实解释

PDF
TL;DR本研究提出一种基于特征交互的有序因果解释框架，通过混合整数线性优化方法寻找合适的特征交互顺序以提供实际决策中的应用。在真实数据集上的实验表明，与无序方法相比，该方法具有良好的效果。
machine learningcounterfactual explanationfeature interactionoptimizationdecision-making
发现论文，激发创造
  • 缺失值下的对事实解释

    本文提出了一种新的 CE 框架 CEPIA，通过缺失值插补和操作对的方式实现了有效的解释，并通过无差别最大化问题准确地评估了新框架的表现。

    Apr, 2023

  • 基于 PSO 的高维数据生成可操作的反事实

    基于粒子群优化的高效可行反事实生成方法被提出，该算法在实际数据集上通过一组行动性指标评估，结果优于现有技术。

    Sep, 2023

  • 线性优化的反事实解释

    探究了对复杂 AI 系统内部工作方式的理解中产生的反事实解释（CE）概念，并将 CE 的思想转化为线性优化，提出、激发、并分析了三种不同类型的 CE：强 CE、弱 CE 和相对 CE。通过检测和利用后一种情况下产生的优化问题的隐藏凸结构，证明计算相对 CE 的效率高。通过对 NETLIB 库进行广泛的数值实验研究，证实了获得相对 CE 可以在与解决原始线性优化问题相同数量级的时间内完成。

    May, 2024

  • 基于用户反馈的反事实解释介绍 (UFCE)

    本研究引入了一种新的方法论，名为用户反馈式反事实解释（UFCE），以解决当前反事实解释算法的局限性，并旨在提高对提供的解释的置信度。实验证明，UFCE 在接近度、稀疏度和可行性方面胜过两种著名的 CE 方法，并指出用户约束对生成可行的反事实解释具有影响。

    Feb, 2024

  • 通过数学优化在基于得分的分类中生成集体反事实解释

    利用数学优化模型，通过集体反事实解释为给定组内各实例提供一个反事实解释，以使扰动实例的总成本在一定约束下最小化，从而检测对整个数据集都至关重要的特征，验证了该方法的实用性。

    Oct, 2023

  • 多目标反事实解释

    该研究提出了一种多目标反事实解释方法（MOC），将反事实搜索转化为多目标优化问题，通过对特征空间的多样性维护，返回一组不同权衡的反事实，并在实际案例中展示了 MOC 的有用性和与现有方法的对比。

    Apr, 2020

  • 在大规模状态空间中学习可行的反事实解释

    我们提供了一个实验证明的深度网络学习过程，可以在此任务上取得强大的性能表现。我们考虑了几种问题形式，包括在未明确提供 “能力” 和行动影响的情况下的公式，因此存在信息挑战和计算挑战。我们的问题也可以看作是在一系列大型但确定性的马尔可夫决策过程（MDPs）中学习最优策略之一。

    Apr, 2024

  • 灵活稳健的反事实解释与最小满足扰动

    通过 Counterfactual Explanations with Minimal Satisfiable Perturbations (CEMSP) 提供更健壮的解释，同时保留灵活性，以应对多个 Counterfactual explanations 可能导致的不稳定性问题。

    Sep, 2023

  • 通过潜在空间的解缠释义实现回归

    本文提出了一种新的方法，通过首先将潜空间中的标签无关特征与预定义的输出相结合，以为预先训练的回归器生成对立解释。通过在潜空间中搜索，我们展示了该方法在回归问题设置下重要高维机器学习应用中具有竞争力。

    Nov, 2023

  • 机器学习中的鲁棒反事实解释：一项调查

    对于机器学习模型的预测结果影响的人来说，反事实解释（CEs）被认为是提供理想算法解决方案的。然而，最近的工作揭示了与获取 CEs 的最新方法相关的严重问题的存在，因此需要采取技术来减轻风险。在这项调查中，我们回顾了快速发展的稳健 CEs 领域的研究，并对其所考虑的稳健性形式进行了深入分析。我们还讨论了现有解决方案及其限制，为未来的发展提供了坚实的基础。

    Feb, 2024