XAI 的信息性半事实解释：人类更偏好的精炼解释

近期在可解释 AI (XAI) 中，半事实解释（semi-factuals）作为解释模型输出 $\textit{仍可保持不变}$ 的方式的策略日益流行。例如，在常用的银行应用场景中，半事实解释可向客户提供更好的选项或其他成功申请的替代方案，说明“$\textit{即使}$ 你申请的贷款数额翻倍，你仍会被批准”。大多数半事实 XAI 算法聚焦于寻找单一关键特征的最大值变更而不改变结果（不同于反事实解释寻找几项特征的最小变更以改变结果）。然而，当前没有半事实方法解释为何这些极端值变更不改变结果；例如，更具信息性的半事实可告知客户其良好信用记录使其能够贷款数额翻倍。本文提出新算法——信息性半事实解释（ISF）方法——生成更详尽的解释，通过补充关于影响自动化决策的额外 $\textit{隐藏特征}$ 的信息来丰富半事实解释。基准数据集上的实验结果表明，ISF 方法计算出的半事实既具信息性又在关键指标上具有高质量。此外，用户研究显示，人们更倾向于这些详尽的解释，而非当前方法生成的简单半事实解释。