该研究提出了一种基于形式验证的算法,使用逻辑公式表示距离函数(目标)和预测模型(约束),解决满足性问题生成最接近的反事实解释,能够生成可行的多样化反事实解释来满足 100% 的覆盖率。
May, 2019
本文介绍了从结构因果模型获得置信网,通过 Credal 网络算法计算精确的反事实边界,提出了一种因果 EM 方案实现近似边界,评估了其精确度并通过关于姑息治疗的真实案例阐述了其实际应用。
Jul, 2023
提出一种用于模拟具有离散和连续变量条件的反事实分布的算法,该算法可用于粒子滤波器,可应用于信贷评分中的公平性分析。
Jun, 2023
用一个在线算法设计 dueling optimization 问题的最优解,最小化迭代复杂度和总成本。
Nov, 2023
研究了随时间推移的隐私价格问题,其中包括私有计数问题、事件级差分隐私、在线阈值问题和私有在线学习等主题,并提出了相应的下界。
Feb, 2024
本文提出了第一个在 CFIR 基础上打破了迭代次数平方根的收敛速度的 CFR 变体,通过优化后的遗憾最小化器和新的稳定性概念,在 CFR 中引入了稳定可预测性,并将每个遗憾最小化器稳定性设置为所在决策树中的位置,实现了 $O (T^{-3/4})$ 的收敛速率。
Feb, 2019
本文以分类树为基础模型,探讨了对于分类模型,如何通过微调特征使其对某个目标分类,进而提供可行的建议来推翻决策,并提供了解决方案,对金融、医疗或法律等领域具有重要意义。
Mar, 2021
该研究论文提出了一个灵活的两阶段算法,用于找到实例组以及具有成本效益的多实例反事实解释方法,以解决在黑盒系统中找到满足多个实例的单一反事实的问题。
Mar, 2024
本论文提出了第一个适用于单调布尔函数的无偏、高效、正确的学习算法,并使用凸优化步骤增进了不正确学习算法。同时,该工作还给出了估计未知函数到单调性的距离的算法,这两个算法的运行时间及假设评估时间为 2^(Õ(√n/ε))
Apr, 2023
本文提出了一种新的敏感度模型 —— 曲率敏感度模型,与传统方法相比,该模型可以实现连续结果的部分反事实证明,并且可以通过对函数的级集进行曲率限制来获得信息,同时还提出了一种 Deep generative model 模型,并通过实验证明了该方法的可行性。