CF-OPT：结构预测的反事实解释
机器学习
2024-06-04 v2
摘要
深度神经网络中的优化层近年来在结构学习中获得了广泛热情，推动了多种应用的技术进步。然而，这些管道缺乏可解释性，因为它们由两个不透明的层组成：高度非线性的预测模型，如深度神经网络，以及通常由复杂黑盒求解器构成的优化层。我们的目标是通过提供反事实解释来提高这些方法的透明度。我们基于变分自编码器构建一种原则性获取反事实解释的方法：在潜空间中工作可自然地获得解释的可信度。最终，我们引入一种用于变分自编码器训练的变体损失函数，以提高其在特定结构情境下的性能。这些为CF-OPT提供了基础，这是一种一阶优化算法，可用于寻找广泛结构学习架构的反事实解释。我们的Numerical结果表明，对于来自最近文献中的问题，都能获得既近似又合理的解释。
引用
@article{arxiv.2405.18293,
title = {CF-OPT: Counterfactual Explanations for Structured Prediction},
author = {Germain Vivier-Ardisson and Alexandre Forel and Axel Parmentier and Thibaut Vidal},
journal= {arXiv preprint arXiv:2405.18293},
year = {2024}
}