面向临床的时序类对抗性解释：人类中心化与干预的时序一致性
机器学习
2025-12-17 v1
摘要
对抗性解释日益被提出作为实现算法补偿的可解释机制。然而，当前针对时序分类的对抗性解释技术主要以静态数据假设为设计，关注生成最小输入扰动以翻转模型预测。本文认为，这些方法在临床推荐场景中根本不够，因为干预是随时间展开的，必须在因果上合理且在时间上连贯。我们倡导采用反映持续、以目标为导向的干预、以临床推理和患者特定动态为导向的对抗性解释。我们识别了现有方法的关键缺口，限制了其实际应用，具体包括时序盲区以及方法设计和评估指标中缺乏用户中心化考虑。为支持我们的论点，我们对几种最新时序方法进行鲁棒性分析，发现生成的对抗性解释对随机噪声高度敏感。这一发现凸显了在真实世界临床环境中的可靠性受限，其中小幅测量变化是不可避免的。我们通过呼吁超越仅关注预测变化而不考虑可行性或可操作性的方法和评估框架，强调需要在实际环境中对用户具有可操作、以目的为导向的干预。
引用
@article{arxiv.2512.14559,
title = {Counterfactual Explanations for Time Series Should be Human-Centered and Temporally Coherent in Interventions},
author = {Emmanuel C. Chukwu and Rianne M. Schouten and Monique Tabak and Mykola Pechenizkiy},
journal= {arXiv preprint arXiv:2512.14559},
year = {2025}
}