MCCE：面向表格数据的真实反事实解释的蒙特卡洛采样
机器学习
2024-01-26 v2 机器学习
摘要
我们提出 MCCE：对表格数据的有效且真实的反事实解释(Counterfactual Explanations)进行蒙特卡洛采样，这是一种新颖的反事实解释方法，它通过建模在不可变特征与决策给定条件下可变特征的联合分布，生成流形上(on-manifold)、可操作且有效的反事实。不同于其他倾向于依赖变分自编码器且对预测模型与数据有严格要求的其他流形上方法，MCCE 可处理任意类型的预测模型以及具有多于两个水平的类别特征。MCCE 首先用自回归生成模型对特征与决策的联合分布建模，其中条件分布使用决策树估计。然后，它从该模型中采样大量观测，最后剔除不满足特定准则的样本。我们使用四个知名数据集将 MCCE 与一系列最先进的流形上反事实方法进行比较，表明 MCCE 在所有常用性能指标与速度上均优于这些方法。特别地，在建模过程中纳入决策显著提升了该方法的效率。
引用
@article{arxiv.2111.09790,
title = {MCCE: Monte Carlo sampling of realistic counterfactual explanations},
author = {Annabelle Redelmeier and Martin Jullum and Kjersti Aas and Anders Løland},
journal= {arXiv preprint arXiv:2111.09790},
year = {2024}
}