面向个性化治疗方案的几何模型无关性反事实解释方法
机器学习
2025-11-17 v4 机器学习
摘要
本文描述了一种用于生成高维空间中反事实解释的方法，通过四个步骤实现：适合模型、寻找决策边界、确定问题约束、计算从该边界到最近点的距离。我们提出一种离散方法，其中找到边界上的许多离散点，然后识别最近的可行反事实解释。该方法称为分段抽样边界近似（SSBA），其应用二进制搜索找到决策边界点，然后搜索最近的边界点。在四个维度不同的数据集上，我们展示该方法在L2范数下，可比当前反事实生成方法具有5%至50%的距离缩减。该方法还能通过限制不可变和分类特征的变化（如年龄、性别、身高等），处理真实世界约束。就运行时间而言，SSBA算法在给定时间内可生成多个数量级的决策边界点，而网格方法则受限于计算复杂度。总体而言，该方法提供了一个简单且有效的模型无关方法，可计算最近的可行（即在约束下具有现实意义的）反事实解释。我们的所有结果和代码均可在https://github.com/dsin85691/SSBA_For_Counterfactuals 获取。
引用
@article{arxiv.2510.22911,
title = {Towards Personalized Treatment Plan: Geometrical Model-Agnostic Approach to Counterfactual Explanations},
author = {Daniel Sin and Milad Toutounchian},
journal= {arXiv preprint arXiv:2510.22911},
year = {2025}
}
备注
This paper is 15 pages long consisting of multiple sections including an abstract, introduction, related works, methodology, results, ablation studies, conclusion, future works, and an appendix section. There are 10 figures and 5 tables in total