Aug, 2023

适应变化：动态数据环境中的稳健反事实解释

PDF
TL;DRDyGRACE 是一种新颖的半监督图对因解释器方法，利用关于数据分布的初始知识在避免使用可能过时的决策函数的信息的情况下搜索有效的反事实，它通过两个图自编码器（GAEs）学习二元分类场景中每个类的表示，其方法独立于基础的黑盒预测模型，并且具有对比学习和漂移检测的能力，为半监督学习和解释生成开辟了新的途径。
发现论文，激发创造
  • 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

  • 贪婪和协同：用于动态图的反事实解释器

    该论文介绍了两种新颖的 TGNN（Temporal Graph Neural Networks）反事实解释方法：GreeDy（动态图的贪婪解释器）和 CoDy（动态图的反事实解释器）。实验证明，这两种方法能够有效生成清晰的解释。特别是，CoDy 在寻找显著的反事实输入方面优于 GreeDy 和现有的事实方法，其成功率高达 59％。这凸显了 CoDy 在澄清 TGNN 决策过程中的潜力，提高了它们在实践中的透明度和可靠性。

    Mar, 2024

  • CoLa-DCE -- 概念引导的潜在扩散对抗性解释

    通过 Concept-guided Latent Diffusion Counterfactual Explanations (CoLa-DCE) 方法生成概念导向的反事实解释，提供更高的控制度和更好的可理解性，以及对模型错误的帮助。

    Jun, 2024

  • 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

  • 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

  • 高斯混合分布潜在空间中的反事实解释搜索

    通过改进自动编码器的潜空间生成方法，该论文介绍了一种新的生成反事实解释的方法，该方法在保持输入样本特征的同时能有效地返回更接近原始数据的结果，适用于高维机器学习应用。

    Jul, 2023

  • 快速实时的反事实解释

    本文提出了一种优化自由的快速反事实解释算法，利用多领域图像到图像转换算法，通过训练条件变换器实现转换查询图像到任意反事实类别，并仅需在前向时间内仅使用它就能生成解释，该算法较之其他算法更快且更实际可应用。

    Jul, 2020

  • 潜在扩散对抗解释

    基于潜在扩散模型，引入了潜在扩散反事实解释 (LDCE)，用以快速生成反事实实例，并专注于数据的重要、语义部分；通过新颖的共识引导机制过滤出与扩散模型的隐式分类器不一致的嘈杂、对抗性梯度，展示了 LDCE 在各种学习范式下的多样性和黑盒模型行为的理解。

    Oct, 2023

  • 知识图谱嵌入的反事实推理

    通过新任务 CFKGR，本文将知识图嵌入（KGEs）与反事实推理关联起来，通过逻辑规则从知识图推断出合理的变化，建立了相应的基准数据集，并开发了 COULDD 方法来适应假设前提。结果表明，KGEs 可以学习图中的模式，与 COULDD 相结合能够检测到沿用这些模式的合理反事实变化，但对不符合学习推理规则的变化无法识别。

    Mar, 2024

  • SimGRACE: 一种简单的无数据增强图对比学习框架

    提出了一种不需要数据增强的简单的图对比学习框架 SimGRACE，利用编码器扰动而不需要手动实验或昂贵的领域知识。此外，通过敌对训练 AT-SimGRACE，可以提高学习的鲁棒性并在一定程度上保持高效。

    Feb, 2022