ElliCE：通过薄盔集实现高效且可证明稳健的算法性反向操作
机器学习
2026-02-10 v1
摘要
机器学习模型如今已影响到直接影响人们生活的决策，因此不仅要理解其预测结果，还要理解个体如何行动以获得更好的结果。算法性反向操作（algorithmic recourse）通过提供可操作的输入修改建议来实现更有利的结果，通常依赖于反事实解释。然而，当薄盔集（Rashomon set，即一组接近最优模型的集合）规模较大时，标准反事实解释可能变得不可靠，因为针对一个模型的反向操作在另一个模型下可能失效。我们引入 ElliCE，这是一个新型算法性反向操作框架，通过薄盔集的椭圆近似来优化反事实解释。生成的解释在该椭圆范围内具有可证明的有效性，同时在唯一性、稳健性和与关键特征方向的一致性方面都有理论保证。实验方面，ElliCE 生成的反事实解释不仅更稳健，而且更灵活，能够适应用户指定的特征约束，并且在计算速度上显著快于现有基线方法。这为在模型不确定性下提供可靠的反向操作提供了原则且实用的解决方案，确保即使在模型演化过程中，用户的建议也能保持稳定可靠。
引用
@article{arxiv.2602.07674,
title = {ElliCE: Efficient and Provably Robust Algorithmic Recourse via the Rashomon Sets},
author = {Bohdan Turbal and Iryna Voitsitska and Lesia Semenova},
journal= {arXiv preprint arXiv:2602.07674},
year = {2026}
}