适应变化：动态数据环境中的鲁棒反事实解释
机器学习
2023-08-07 v1 人工智能
摘要
我们提出一种新颖的半监督图反事实解释器（GCE）方法，即动态图反事实解释器（DyGRACE）。它利用关于数据分布的初始知识搜索有效反事实，同时避免后续时间步中使用可能过时的决策函数信息。DyGRACE采用两个图自编码器（GAEs），在二分类场景中学习每一类的表示。GAEs在训练期间最小化原始图与其学习表示间的重构误差。该方法包括（i）优化参数化密度函数（以逻辑回归函数实现），通过最大化事实自编码器的重构误差来识别反事实，（ii）最小化反事实自编码器的误差，以及（iii）最大化事实图与反事实图间的相似性。该半监督方法独立于底层黑盒预言机。逻辑回归模型在一组图对上训练以学习有助于寻找反事实的权重。推理时，对每个未见图，逻辑回归器利用这些学习权重识别最佳反事实候选，而GAEs可迭代更新以表示所学图表示随迭代的持续适应。DyGRACE十分有效，并可充当漂移检测器，基于迭代间重构误差差异识别分布漂移。它避免 successive 迭代中对预言机预测的依赖，从而提高反事实发现效率。DyGRACE凭借其对比学习与漂移检测能力，将为半监督学习与解释生成提供新途径。
引用
@article{arxiv.2308.02353,
title = {Adapting to Change: Robust Counterfactual Explanations in Dynamic Data Landscapes},
author = {Bardh Prenkaj and Mario Villaizan-Vallelado and Tobias Leemann and Gjergji Kasneci},
journal= {arXiv preprint arXiv:2308.02353},
year = {2023}
}