一种基于PSO的高维数据可操作反事实生成方法
人工智能
2023-12-01 v2 机器学习
统计方法学
摘要
反事实解释（CFE）是一类通过在对数据点特征作最小改动后给出替代类别预测来解释机器学习模型的方法。它帮助用户识别导致其不良预测（如贷款或信用卡被拒）的数据属性。我们描述了一种基于粒子群优化（PSO）的高效且可操作的反事实（CF）生成方法。我们针对以实例为中心的反事实生成问题的优化提出了一个简单的目标函数。PSO在大规模多维多目标优化、多CF生成能力，以及设置数据属性的盒约束或不可变性方面带来了很大灵活性。我们提出了一种融合这些特性的算法，使其对所生成CF的邻近性与稀疏性属性具备更强的控制力。所提算法在一组真实数据集上以可操作性度量进行了评估，结果优于现有最先进方法。
引用
@article{arxiv.2311.12825,
title = {A PSO Based Method to Generate Actionable Counterfactuals for High Dimensional Data},
author = {Shashank Shekhar and Asif Salim and Adesh Bansode and Vivaswan Jinturkar and Anirudha Nayak},
journal= {arXiv preprint arXiv:2311.12825},
year = {2023}
}
备注
Accepted in IEEE CSDE 2023