论 XAI 中反事实与半事实解释的计算复杂性

为机器学习模型的选择提供清晰的解释，对于这些模型在关键应用中的部署至关重要。反事实与半事实解释作为两种机制出现，旨在为用户提供关于其模型输出的洞察。我们概述了文献中关于生成这些解释的计算复杂性结果，发现在许多情况下，生成解释在计算上是困难的。我们通过进一步贡献我们自己的不可近似性结果，极大地强化了这一论点，表明解释不仅通常难以生成，而且在某些假设下也是难以近似计算的。我们讨论了这些复杂性结果对 XAI 社区以及寻求监管 AI 解释的政策制定者的影响。