GLANCE： Counterfactual 可解释性中的全局动作概述
机器学习
2026-04-15 v3
摘要
机器学习系统在关键现实世界决策应用中的广泛部署凸显了迫切需要有效运行的反事实可解释性方法的重要性。全局反事实解释以动作形式提供，以为大型人群子群提供简洁的解释和见解。高效性——即为多大人群提供补救措施——确保了这些动作惠及尽可能多的人。保持动作成本低廉有助于保持所提出的补救措施具有可操作性。限制提供全局反事实解释的动作数量对于最大化可解释性至关重要。因此，核心挑战在于平衡这些权衡——在最大化有效性、最小化成本之间保持动作数量较小。我们引入了 ，一种通用且自适应的算法，采用一种新颖的聚类方法，同时考虑特征空间和反事实动作空间，从而考虑到数据集中点的分布，以与模型结构相匹配。这种设计使我们能够在三个关键目标之间仔细平衡权衡，其中大小目标作为可调参数，保持动作数量少且易于解释。我们的广泛实验评估表明， 在 various 数据集和模型上始终表现出更好的鲁棒性和性能。
引用
@article{arxiv.2405.18921,
title = {GLANCE: Global Actions in a Nutshell for Counterfactual Explainability},
author = {Loukas Kavouras and Eleni Psaroudaki and Konstantinos Tsopelas and Dimitrios Rontogiannis and Nikolaos Theologitis and Dimitris Sacharidis and Giorgos Giannopoulos and Dimitrios Tomaras and Kleopatra Markou and Dimitrios Gunopulos and Dimitris Fotakis and Ioannis Emiris},
journal= {arXiv preprint arXiv:2405.18921},
year = {2026}
}