基于学习关系的真实反事实解释
机器学习
2022-05-31 v3 机器学习
摘要
许多现有的反事实解释方法忽略了数据属性之间的内在关系，因此无法生成真实的反事实。此外，现有考虑关系的模型需要领域知识，这限制了它们在复杂现实应用中的适用性。在本文中，我们提出了一种新颖的真实反事实解释方法，该方法保留关系并最小化专家干预。该模型通过变分自编码器以最少的领域知识直接学习关系，然后相应地学习扰动潜空间。我们在合成和真实世界数据集上进行了大量实验。实验结果表明，所提出的模型从数据中学习关系并在生成的反事实中保留这些关系。特别是，它在马氏距离和约束可行性分数方面优于其他方法。
引用
@article{arxiv.2202.07356,
title = {Realistic Counterfactual Explanations with Learned Relations},
author = {Xintao Xiang and Artem Lenskiy},
journal= {arXiv preprint arXiv:2202.07356},
year = {2022}
}