反事实映射：它们是什么以及如何找到它们

反事实解释是可解释机器学习中的核心工具，但对于复杂模型的精确计算仍具有挑战性。对于树集成模型而言，预测在大量轴对齐超矩形上是分段常数的，这意味着，对于一个点，最优反事实对应于其在给定度量下投影到最近的具有另一标签的矩形上。现有方法大多忽视了这种几何结构，依赖无最优性保证的启发式方法，或采用规模难以应用于交互式使用的混合整数规划形式。在本工作中，我们通过最近区域搜索的视角重新审视反事实生成，引入一种称为反事实映射的全局表示，用于树集成模型。利用任何树集成模型可压缩为等效标记超矩形分区的事实，我们将反事实搜索问题表述为识别与具有另一标签的最近矩形相关的广义Voronoi单元的问题。这导致一个基于体积 k 维（KD）树的、在一次性预处理后可实现亚线性平均查询时间的、带有显式最优性证明的分支定界最近区域查询的准确算法。我们的实验分析基于从高风险应用领域抽取的几个真实数据集，表明该方法能够以毫秒级延迟提供全局最优的反事实解释，查询时间是现有精确、冷启动优化方法的数十倍。