表格数据扩散反事实解释
机器学习
2025-09-03 v1
摘要
反事实解释方法为可解释机器学习领域提供了一个重要工具。该方向的近期进展集中在利用扩散模型来解释深度分类器。然而，这些技术主要集中在计算机视觉问题上。在本文中，我们关注金融和社会科学中典型的表格数据，并基于对 Gumbel-softmax 分布的近似，提出了一种针对类别特征的新型引导反向过程。此外，我们研究了温度 的影响，并推导了 Gumbel-softmax 分布与我们提出的近似分布之间的理论界限。我们在多个大规模信贷发放和其他表格数据集上进行了实验，从可解释性、多样性、不稳定性和有效性的定量指标方面评估了其性能。这些结果表明，我们的方法优于流行的基线方法，能够生成稳健且切合实际的反事实解释。
引用
@article{arxiv.2509.00876,
title = {Tabular Diffusion Counterfactual Explanations},
author = {Wei Zhang and Brian Barr and John Paisley},
journal= {arXiv preprint arXiv:2509.00876},
year = {2025}
}