DISCOVER：分布式反事实解释的求解器
机器学习
2026-03-18 v1
摘要
反事实解释（CE）通过识别导致不同预测的输入修改来解释模型决策。大多数现有方法仅在实例级别上操作。分布式反事实解释（DCE）扩展了这一设置，通过优化 optimal transport 目标来平衡对事实输入分布的接近性和对目标输出分布的对齐性，并通过机会约束边界实现统计认证。然而，DCE 依赖于基于梯度的优化，而许多实际表格管道由非可微模型主导。我们提出 DISCOVER，一个面向分布式反事实解释的模型agnostic 求解器。DISCOVER 保留原始 DCE 目标和认证，同时将梯度下降替换为稀疏提议-选择搜索范式。它利用 transport 目标的样本级分解来计算每个样本的影响得分，并强制执行 top- 干预预算，聚焦于最具影响力的样本。为在无预测器梯度的情况下引导候选生成，DISCOVER 引入了由输入侧 transport 几何驱动的 OT-guided 锥采样原始。在多个表格数据集上进行实验，表明其在输入和输出分布之间实现了强大的联合对齐，扩展了分布式反事实推理到现代黑箱学习管道。代码仓库已公开：https://github.com/understanding-ml/DCE。
引用
@article{arxiv.2603.16436,
title = {DISCOVER: A Solver for Distributional Counterfactual Explanations},
author = {Yikai Gu and Lele Cao and Bo Zhao and Lei Lei and Lei You},
journal= {arXiv preprint arXiv:2603.16436},
year = {2026}
}
备注
20 pages, 8 figures, 4 tables