重叠球数模型无关反事实（ONB-MACF）：一种基于数据形态学的反事实生成方法用于可信人工智能

可解释人工智能（XAI）是一个关键研究领域，旨在理解AI系统的运行机制，特别是那些因其复杂、不透明性质而被视为“黑箱”的系统。XAI力求使这些AI系统更易理解和可信，提供对其决策过程的洞察。通过产生清晰且易于理解的解释，XAI使用户、从业者和利益相关者能够信任模型的决策。本文分析了数据形态学策略在生成反事实解释中的价值。它引入了重叠球数模型无关反事实（ONB-MACF）方法，这是一种模型无关的反事实生成器，利用数据形态学来估计模型的决策边界。ONB-MACF方法在数据空间中构建超球体，其覆盖的点共享一个类别，从而映射决策边界。然后通过逐步调整实例的属性朝向最近的异类超球体，以最小修改跨越决策边界来生成反事实。通过设计，ONB-MACF方法生成可行且稀疏的反事实，这些反事实遵循数据分布。我们从定量和定性两个角度进行的全面基准测试表明，ONB-MACF方法在多个质量指标上优于现有的最先进反事实生成方法，涵盖多种表格数据集。这支持了我们的假设，展示了基于数据形态学的可解释性策略在可信AI中的潜力。