基于因果引导的对抗性转移的反事实视觉解释
计算机视觉与模式识别
2025-09-30 v2
摘要
最近的反事实视觉解释工作通过提供视觉扰动来翻转预测，从而使人工智能模型更具可解释性。然而，这些方法忽略了图像生成过程中所涉及的因果关系和偶然相关性，常导致反事实图像中出现意外的改变，使解释质量受到限制。为此，我们引入了一个新框架 CECAS，首先利用因果引导的对抗方法生成反事实解释。该方法创新性地整合了因果视角，以避免对反事实中的无关因素进行不需要的扰动。大量实验表明，我们的方法在多个基准数据集上优于现有的最先进方法，最终在有效性、稀疏性、接近度和真实性等各方面实现了均衡的权衡。
引用
@article{arxiv.2507.09881,
title = {Counterfactual Visual Explanation via Causally-Guided Adversarial Steering},
author = {Yiran Qiao and Disheng Liu and Yiren Lu and Yu Yin and Mengnan Du and Jing Ma},
journal= {arXiv preprint arXiv:2507.09881},
year = {2025}
}