HyConEx：用于表格数据的基于超网络的分类器搭配反事实解释
机器学习
2026-03-11 v2 人工智能
摘要
近年来，人们对可解释人工智能方法越来越感兴趣。除了获得准确的预测外，我们还希望了解模型决策的依据。解释性的一个基本层面是提供反事实例子，以解释决策的原因并确定哪些特征以及要如何修改才能改变模型的输出。为满足这些需求，我们引入了 HyConEx，一种专为表格数据设计的基于深度超网络的分类模型。凭借其独特的体系结构，HyConEx 不仅提供类别预测，还以引导给定样本走向另一类别的反事实例子形式为单个数据样本提供本地解释。虽然许多可解释方法为外部模型生成反事实样本，但迄今为止尚无可解释分类器能够同时生成反事实样本。HyConEx 在评估分类准确度和满足正当反事实攻击标准的若干指标方面实现了竞争性的性能。这使得 HyConEx 成为一种独特的深度学习模型，将预测与解释器作为一个集成神经网络。代码可在 https://github.com/gmum/HyConEx 获取。
引用
@article{arxiv.2503.12525,
title = {HyConEx: Hypernetwork classifier with counterfactual explanations for tabular data},
author = {Patryk Marszałek and Kamil Książek and Oleksii Furman and Ulvi Movsum-zada and Przemysław Spurek and Marek Śmieja},
journal= {arXiv preprint arXiv:2503.12525},
year = {2026}
}
备注
Published in Neurocomputing (2026)