S-CFE：简单逆代理解释
机器学习
2025-11-14 v8 最优化与控制
摘要
我们研究了寻找分类器的最优稀疏、流形对齐逆代理解释的问题。标准情况下，这可以表述为一个包含多个非凸组件的优化问题，包括分类器损失函数和流形对齐（或\emph{可信度}）度量。强制执行\emph{稀疏性}，即更简短的解释，进一步复杂化了该问题。现有方法通常专注于特定模型和可信度措施，依赖凸正则化器来实现稀疏性。在本文中，我们采用加速 proximal 梯度(APG)方法来处理标准表述，这是一种简单而高效的一阶方法，能够处理光滑非凸目标和非光滑（其中）正则化器。这使我们的 approach 能够无缝整合各种分类器和可信度措施，同时产生更稀疏的解。我们的算法仅需要可微数据流形正则化器，并支持盒约束以确保特征范围受限，从而确保生成的逆代理解释具有\emph{可操作性}。最后，在真实数据集上的实验表明，我们的方法能够有效地生成稀疏、流形对齐的逆代理解释，同时保持与事实数据之间的接近性和计算效率。
引用
@article{arxiv.2410.15723,
title = {S-CFE: Simple Counterfactual Explanations},
author = {Shpresim Sadiku and Moritz Wagner and Sai Ganesh Nagarajan and Sebastian Pokutta},
journal= {arXiv preprint arXiv:2410.15723},
year = {2025}
}