无训练数据的多变量时间序列的反事实解释

May, 2024

无训练数据的多变量时间序列的反事实解释

Counterfactual Explanations for Multivariate Time-Series without Training Datasets

Xiangyu Sun, Raquel Aoki, Kevin H. Wilson

TL;DR本研究提出了 CFWoT，一种基于强化学习的反事实解释方法，用于生成反事实解释。CFWoT 适用于没有训练数据集的静态和多变量时间序列数据集，并可以处理连续和离散特征。CFWoT 生成的反事实解释所需进行的改变更少且更小，使其更具可操作性。

Abstract

machine learning (ML) methods have experienced significant growth in the past decade, yet their practical application in high-impact real-world domains has been hindered by their opacity. When ML methods are responsible for making critical decisions, stakeholders often require insights

machine learning counterfactual explanations cfes reinforcement-learning time-series datasets

发现论文，激发创造

基于形状子序列的多元时间序列因果解释

本研究提出了一种基于时序多元数据和可解释人工智能的反事实解释算法，该算法能够产生高质量、可视化、近距离和可信的反事实解释，帮助黑匣子模型的解释和决策过程可靠性的提升。

Aug, 2022

时间序列预测的反事实解释

本研究提出了一种用于时间序列预测的算法 ForecastCF，通过对原始时间序列应用基于梯度的扰动，并应用约束来引导扰动，以获得预期的预测结果。实验结果表明，ForecastCF 在反事实有效性和数据流形接近度方面优于基线模型，可以为各种预测任务生成有意义和相关的反事实解释。

Oct, 2023

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

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

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

可自解释的时间序列预测与反事实解释

该研究旨在通过提出可自我解释的 Counterfactual Time Series (CounTS) 模型，从而生成针对时间序列预测的反事实和可操作性解释，该模型可以提供更好的反事实解释，同时保持相当的预测准确性，并建立相应的评估方案。

Jun, 2023

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

利用反事实分析向医生解释机器学习决策

本研究提出一种基于变分自编码器的反事实生成方法，以改进机器学习模型在医疗领域中的解释性问题，并生成更加逼真、相关的反事实情景。

Jun, 2023

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

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