基于条件生成模型的反事实解释生成
机器学习
2021-01-26 v1 机器学习
摘要
反事实样本为机器学习模型的局部行为提供了人类可解释的洞察。我们提出一个通用框架，利用条件生成模型生成稀疏、服从数据分布的模型反事实解释，该框架可匹配期望的目标预测，并能通过单次前向传播生成批量的反事实样本。该方法对所采用的生成模型类型以及底层预测模型的任务均具有灵活性，从而可便捷地应用于图像、时间序列或表格数据等不同模态，以及 GAN 或自编码器等生成模型范式和分类或回归等预测任务。我们在图像（CelebA）、时间序列（ECG）和混合类型表格（Adult Census）数据上展示了方法的有效性。
引用
@article{arxiv.2101.10123,
title = {Conditional Generative Models for Counterfactual Explanations},
author = {Arnaud Van Looveren and Janis Klaise and Giovanni Vacanti and Oliver Cobb},
journal= {arXiv preprint arXiv:2101.10123},
year = {2021}
}
备注
12 pages