通过潜空间解耦实现回归的反事实解释

反事实解释（CEs）有助于回答以下问题：如何改变影响预测模型预测的因素，以从用户角度获得更有利的结果？因此，它们有潜力指导用户与AI系统的交互，因为它们代表易于理解的解释。为具备适用性，CEs需真实且可操作。文献中已提出多种生成CEs的方法。然而，大多数CEs研究聚焦于分类问题，如“我该怎么做才能让被拒贷款获批？”。实践中，回答如“我该怎么做才能增加薪水？”的问题更具回归性质。本文中，我们引入一种新方法，通过对预训练回归器首先在潜空间中对标签相关与标签无关维度进行解耦来生成CEs。随后通过将标签无关维度与预定义输出结合来生成CEs。该方法背后的直觉是，理想的反事实搜索应聚焦于输入的标签无关特征，并建议向目标相关特征改变。在潜空间搜索可助达成此目标。我们展示了我们的方法在反事实搜索期间保持查询样本的特征。在各种实验中，我们证明了所提方法在回归问题设置下基于图像与表格数据集的不同质量度量具有竞争力。与三种最先进方法相比，它高效返回更接近原始数据流形的结果，这对真实高维机器学习应用至关重要。我们的代码将在本工作发表后作为开源包提供。