通过高斯混合分布潜空间搜索生成反事实解释

反事实解释（CEs）是算法补救中的重要工具，用于解决两个问题：1. 导致自动化预测/决策的关键因素是什么？2. 如何改变这些因素以从用户角度获得更有利的结果？因此，通过提出易于理解的解释和易于实现的可行改变来引导用户与AI系统的交互，对于AI系统的可信采纳和长期接受至关重要。文献中已提出多种生成CEs的方法，并建议了不同的质量度量来评估这些方法。然而，CEs的生成通常计算代价高昂，且所得建议不真实从而不可操作。在本文中，我们引入一种为新训练好的二分类器生成CEs的新方法：首先将自编码器的潜空间塑形为高斯分布混合。然后通过在查询样本与目标类质心之间线性插值在潜空间中生成CEs。我们表明我们的方法在反事实搜索过程中保持输入样本的特性。在各种实验中，我们表明所提方法在图像和表格数据集上基于不同质量度量是具有竞争力的——与三种最先进（SOTA）方法相比，能高效返回更靠近原始数据流形的结果，这对于现实的高维机器学习应用至关重要。