Dec, 2022

VCNet: 用于生成逼真反事实的自我解释模型

PDF
TL;DR提出了 VCNet-Variational Counter Net，这是一个用于回归或分类的模型架构，它能够同时生成预测和接近预测类分布的因果解释，该模型在表格数据集上的实证评估结果表明，其结果与最先进的方法相当竞争。
counterfactual explanationmachine learningvcnetvariational autoencoderinterpretability metrics
发现论文，激发创造
  • 半监督反事实解释

    通过引入自编码器重建损失，将分类器输出结果与自编码器的潜空间相连接，从而提高干预解释搜索过程的速度和解释干预结果的可解释性，尤其在自编码器以半监督方式训练的情况下进一步提高了其解释性。在多个数据集上的实验验证了该方法的有效性。

    Mar, 2023

  • 针对表格数据的学习模型无关反事实解释

    本文提出了一种新的方法 ——C-CHVAE，该方法可以生成可实现的反事实解释，以更好地满足反事实解释的质量要求。

    Oct, 2019

  • CeFlow：使用标准化流的稳健高效表格数据反事实解释框架

    本文介绍了一种称为 CeFlow 的鲁棒且高效的计数事实解释框架，其利用正态化流来解决采样不稳定和计算速度慢的问题，并具有与最先进的方法相当的性能。

    Mar, 2023

  • 针对反事实解释的条件生成模型

    该论文提出了一种生成利用条件生成模型来生成稀疏的、在分布中反事实模型解释的通用框架，可适用于不同模态的数据，并说明了该方法在图像、时间序列和混合类型表格数据上的有效性。

    Jan, 2021

  • OCTET: 基于对象的反事实解释

    本研究提出了一种以物体为中心的框架来生成反事实解释，该方法通过将查询图像编码到潜在空间中，以便在物体级别上进行操作，并且可以适用于驾驶场景的反事实解释基准测试，并且设计并运行了用户研究以衡量反事实解释在理解决策模型方面的有用性。

    Nov, 2022

  • 机器学习分类器反事实解释中的因果约束保持

    通过使用结构性因果模型，生成可行的对抗样本对于解释人工智能模型在医疗和金融等关键领域的决策是至关重要的。本论文提出了一种生成适用于实际应用中的可行对抗样本的方法，并且通过实验证明了其效果。

    Dec, 2019

  • CF-OPT：针对结构化预测的反事实解释

    通过变分自动编码器在深度学习模型中释放潜在空间的潜力，提出了一种改进的损失函数用于解释非结构化学习架构中的反事实情况，并展示了该方法在近期文献的问题上的有效性。

    May, 2024

  • 一种可行的反事实探索框架：融合因果关系、稀疏性和密度

    通过对属性的逻辑因果关系保护，使用黑箱模型作为分类器并利用变分自动编码器生成可行的对抗性示例，本研究在不同基准数据集上实验，成功生成可行且稀疏的对抗性示例，满足所有预定义的因果约束。

    Apr, 2024

  • 使用自然语言生成反事实解释

    本文提出了一种基于深度神经网络的自然语言解释方法用于图像的分类，其中通过缺失证据来产生反事实解释，并提出了自动度量以分析所生成的反事实解释。

    Jun, 2018

  • 神经推荐系统的反事实解释

    本文提出了 ACCENT，一个基于影响函数的通用框架，用于找到深度神经网络推荐系统的因果解释。我们利用 ACCENT 生成了针对两种流行的神经网络模型（NCF 和 RCF）的因果解释，并在 MovieLens100K 数据集的样本上表明其可行性。

    May, 2021