基于条件高斯网络分类器的结构感知鲁棒反事实解释
人工智能
2026-02-10 v1
摘要
反事实解释（Counterfactual Explanation, CE）是可解释人工智能（XAI）中的核心技术，广泛用于解释模型决策并建议可操作的替代方案。本文提出一种基于条件高斯网络分类器（CGNC）的结构感知和鲁棒性导向的反事实搜索方法。CGNC具有生成式结构，通过有向无环图（DAG）编码条件依赖和潜在因果关系，这种结构自然地将特征关系嵌入搜索过程中，无需额外约束即可确保与模型结构假设的一致性。我们采用收敛保证的切割集程序作为对抗优化框架，该框架迭代逼近满足全局鲁棒性条件的解决方案。为了处理由特征依赖导致的非凸二次结构，我们应用分段麦克西斯特松弛将问题改写为混合整数线性规划（MILP），确保全局最优。实验结果表明，我们的方法实现了强鲁棒性，原公式的直接全局优化提供了尤其稳定和高效的结果。该方法的框架可扩展到更复杂的约束设置，为未来在非凸二次公式下进行反事实推理奠定了基础。
引用
@article{arxiv.2602.08021,
title = {Structure-Aware Robust Counterfactual Explanations via Conditional Gaussian Network Classifiers},
author = {Zhan-Yi Liao and Jaewon Yoo and Hao-Tsung Yang and Po-An Chen},
journal= {arXiv preprint arXiv:2602.08021},
year = {2026}
}