V-CECE：通过概念编辑的视觉反事实解释
计算机视觉与模式识别
2025-12-08 v2 人工智能
摘要
当前的黑盒反事实生成框架未能考虑所提议编辑的语义内容，同时严重依赖训练来引导生成过程。我们提出了一种新颖的即插即用黑盒反事实生成框架，该框架基于最优编辑的理论保证，逐步建议编辑，以零训练的方式产生人类级别的反事实解释。我们的框架利用预训练的图像编辑扩散模型，并在不访问分类器内部结构的情况下运行，从而实现了可解释的反事实生成过程。在整个实验过程中，我们通过利用卷积神经网络（CNN）、视觉Transformer（ViT）和大视觉语言模型（LVLM）分类器，并通过全面的人类评估加以证实，展示了人类推理与神经模型行为之间的解释性差距。
引用
@article{arxiv.2509.16567,
title = {V-CECE: Visual Counterfactual Explanations via Conceptual Edits},
author = {Nikolaos Spanos and Maria Lymperaiou and Giorgos Filandrianos and Konstantinos Thomas and Athanasios Voulodimos and Giorgos Stamou},
journal= {arXiv preprint arXiv:2509.16567},
year = {2025}
}
备注
Accepted in NeurIPS 2025