CounteRGAN：利用残差生成对抗网络生成真实反事实
机器学习
2021-05-28 v2 人工智能
机器学习
摘要
机器学习模型在各行业的普及导致对模型可解释性以及向用户提供有意义补救能力的需求增长。例如，希望改善诊断的患者或寻求提高获批几率的贷款申请人。反事实可通过识别将导致更理想预测结果的输入扰动来对此提供帮助。有意义的反事实应能达到期望结果，同时具备真实性、可操作性和计算高效性。当前方法以中等可操作性实现期望结果，但在真实性与延迟方面严重受限。为应对这些局限，我们将生成对抗网络（GANs）应用于反事实搜索。我们还引入一种新型残差GAN（RGAN），相比常规GAN有助于提升反事实真实性与可操作性。所提出的CounteRGAN方法利用RGAN与目标分类器生成能够提供有意义补救的反事实。在两个流行数据集上的评估凸显了CounteRGAN如何克服现有方法的局限，包括>50倍至>90,000倍的延迟改进，使有意义补救可实时可用并适用于广泛领域。
引用
@article{arxiv.2009.05199,
title = {CounteRGAN: Generating Realistic Counterfactuals with Residual Generative Adversarial Nets},
author = {Daniel Nemirovsky and Nicolas Thiebaut and Ye Xu and Abhishek Gupta},
journal= {arXiv preprint arXiv:2009.05199},
year = {2021}
}
备注
15 pages