ICMLMay, 2023

GLOBE-CE: 全球反事实解释的基于翻译的方法

PDF
TL;DR提出了一种名为 GLOBE-CE 的灵活框架，旨在解决当前解释性方法中与可靠性和可扩展性有关的问题，并在针对高维数据集和连续特征存在的情况下提供全局和高效的反事实解释，通过公开可用的数据集和用户研究进行了评估，证明了该框架在速度、可靠性等多个指标上明显优于当前先进技术。
counterfactual explanationsglobal explanationefficient explainability toolshigher dimensional datasetscategorical feature translations
发现论文，激发创造
  • 统一视角：全球、群体和局部级别上的合理反事实解释

    通过梯度优化，引入了一种新的整合方法，为可区分分类模型生成本地、小组和全局反事实解释，以解决全局反事实解释所面临的挑战，并增强了可行性和可信度，从而提高了 AI 模型的可解释性和负责任性。

    May, 2024

  • GLANCE: 全球行动简述的反事实可解释性

    提供全局反事实解释问题的简洁表述并建立了比较解决方案的原则标准，使用聚类和决策树作为关键组件的创新算法解决全局反事实问题，并通过与其他方法的综合实验评估验证了算法的能力。

    May, 2024

  • 全局反事实解释：调查、实现、和改进

    该研究探讨了全局因果解释框架的现有方法，特别聚焦于实施和改进可操作补救摘要（AReS），这是唯一已知的适用于补救的全局因果解释框架。

    Apr, 2022

  • 图形对抗性解释概述：定义，方法和评估

    本文系统地总结了现有的基于图神经网络的反事实解释方法，提供了统一的框架和常用指标以便于比较研究优缺点，并探讨了隐私和公平方面的问题。

    Oct, 2022

  • GRETEL: 一个用于图形反事实解释评估的统一框架

    介绍了 GRETEL，它是一个高度可扩展的评估框架，促进了开放科学和评估的可重复性，旨在发展和测试图形可对抗解释方法。

    Jun, 2022

  • 全局对抗性解释器用于图神经网络

    本研究提出了 GCFExplainer 算法来解释图神经网络的全局可解释性，通过全局反事实推理寻找一组代表性的反事实图形，实验结果表明与现有局部反事实解释器相比，GCFExplainer 算法能够提供更重要的高层次 Model 行为见解，并以 46.9% 的弥补覆盖率和 9.5% 的弥补成本降低取得更好的结果。

    Oct, 2022

  • 低维度表示中点的群组解释

    介绍了一种新的解释机器学习问题的算法，利用学习到的低维度表示来识别不同群组之间的关键差异，该算法名为全局反事实解释，使用压缩感知技术限制差异保持一致。实验证明这种算法可以较为精确地解释模型，并与数据中的实际模式相匹配。

    Mar, 2020

  • 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

  • 鲁棒的随机图生成器用于反事实解释

    本研究介绍了一种新的稳健随机图生成器 RSGG-CE，能够从学习的潜在空间产生可行的反事实例子，并通过定序生成序列考虑来量化和质化地比较 RSGG-CE 与现有方法生成反事实候选者的性能，凸显其更高的能力。

    Dec, 2023

  • 构建数据结构：朝向语义图对比事实

    基于语义图的反事实解释方法使用类探测模型和图嵌入来提供更具描述性、准确性和与人类对齐性的解释，实验结果表明其在视觉领域的超越性能。

    Mar, 2024