基于消融的反事实
本论文提出 DiME 方法,在使用最近传播模型的同时利用引导生成扩散过程,充分利用目标分类器的梯度生成输入实例的反事实解释,进一步通过提出一个新的度量标准 —— 相关差异,分析了目前评估虚假相关性的方法,并进行实验验证,结果表明该算法在 CelebA 上优于之前的最新研究成果。
Mar, 2022
通过快速扩散基于反事实的图像生成和基于修补的修改方法,我们检测和量化潜在的捷径特征对模型预测的影响。我们通过在两个大型胸部 X 射线数据集、一个皮肤病损数据集和 CelebA 上确认,验证了我们的方法在推理速度显著提升、图像质量与最先进技术可比的同时的有效性。
Dec, 2023
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
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
提出 Diff-SCM 来解决如何从观察到的成像数据中估计反事实效果的问题,使用深度结构因果模型和生成式能量模型相结合的方法进行推理,并且在 MNIST 数据和 ImageNet 数据上证明了其优越性。
Feb, 2022
本文提出了一种简单但有效的方法来生成可解释神经网络分类决策的反事实案例,并探索了利用生成模型构建坐标系统的方法。文章分析了生成过程并利用定量和定性措施验证了生成的反事实案例的质量。
Jun, 2022
提出了适用于反事实推理的对抗分布平衡法(ADBCR),通过直接使用反事实估计结果来消除假性因果关系,证明了其在三个基准数据集上优于现有方法,并证明如果在训练过程中包含未标记的验证数据,可以进一步改进 ADBCR 的性能。
Nov, 2023