DiCoFlex：具有灵活控制的模型无关多样化反事实
机器学习
2025-11-06 v2
摘要
反事实解释在可解释人工智能（XAI）中发挥着关键作用，它提供直观且人类易于理解的替代方案来阐明机器学习模型的决策。尽管意义重大，但现有的反事实生成方法通常需要持续访问预测模型，涉及针对每个实例的计算密集型优化，并且缺乏在不重新训练的情况下适应新用户定义约束的灵活性。本文提出 DiCoFlex，一种新颖的模型无关条件生成框架，能够在单次前向传播中产生多个多样化的反事实。利用仅在标注数据上训练的条件归一化流，DiCoFlex 解决了关键局限性，允许在推理时对稀疏性和可操作性等约束进行实时的用户驱动定制。在标准基准数据集上的大量实验表明，DiCoFlex 在有效性、多样性、邻近性与约束遵循方面均优于现有方法，使其成为敏感决策领域中反事实生成的实用且可扩展的解决方案。
引用
@article{arxiv.2505.23700,
title = {DiCoFlex: Model-agnostic diverse counterfactuals with flexible control},
author = {Oleksii Furman and Ulvi Movsum-zada and Patryk Marszalek and Maciej Zięba and Marek Śmieja},
journal= {arXiv preprint arXiv:2505.23700},
year = {2025}
}