约束简化的MILP搭配局部离群点因子建模，用于信用批准的合理反事实解释
机器学习
2025-09-25 v1
摘要
反事实解释(CE)是广泛使用的事后方法，为个体提供可操作的变更，以改变来自机器学习模型的不利预测。合理的CE方法通过考虑数据分布特征来提高现实性，但其优化模型引入大量约束，导致高计算成本。本文我们重新审视DACE框架，提出一种显著减少局部离群点因子(LOF)目标组件中约束数量的 refined 混合整数线性规划(MILP) formulation。我们还将该方法应用于标准标量器的线性SVM分类器。实验结果表明，我们的方法在保持解释质量的同时实现了更快的求解速度。这些结果表明了在反事实解释和数据科学应用中更高效的LOF建模的前景。
引用
@article{arxiv.2509.19504,
title = {Constraint-Reduced MILP with Local Outlier Factor Modeling for Plausible Counterfactual Explanations in Credit Approval},
author = {Trung Nguyen Thanh and Huyen Giang Thi Thu and Tai Le Quy and Ha-Bang Ban},
journal= {arXiv preprint arXiv:2509.19504},
year = {2025}
}
备注
Accepted to NICE-TEAS ASIA 2025 conference