MC3G：模型无关的因果约束反事实生成

机器学习模型日益影响高风险领域（如金融、法律和招聘）中的决策，推动了对透明、可解释结果的需求。然而，虽然可解释的方法有助于理解所作决策，但可能会意外地透露底层专有算法——这对许多实践者而言是不可取的。因此，关键在于在提供有意义透明度的同时，提供一种澄清决策原因并指导可行操作步骤的形式，从而获得有利结果。反事实解释提供了一种强大的机制，通过显示特定输入变化如何导致更有利的预测来实现这一目标。我们提出了模型无关的因果约束反事实生成框架（MC3G），以解决现有反事实方法的局限性。首先，MC3G 是模型无关的：它使用可解释的基于规则的替代模型逼近任何黑盒模型。其次，该替代模型用于生成为原始底层黑盒模型产生有利结果的反事实。第三方面，MC3G 通过排除由于因果依赖导致的特征变化所associated的“ effort”，来优化成本计算。通过仅关注用户发起的变化，MC3G 提供了更真实、更公平地代表实现有利结果所需努力的表示。我们表明，MC3G 在所有保持较低成本的同时，比现有技术提供更具可解释性和可操作性的反事实建议。我们的发现凸显了 MC3G 在包含机器学习方法的决策过程中提升透明度、问责制和实际效用的潜力。