标签
本文提出一个统一的优化框架，通过稀疏、可解释的实例修改以及容错区域混淆矩阵来解释误分类并评估分类器鲁棒性。
本文提出了一种人在回路中的个性化算法追溯框架，通过贝叶斯推断迭代逼近用户的因果模型，从而提高建议的可信度与成本效益。
本文提出了一种基于利润的反事实解释（PBCE）框架，该框架将反事实解释表述为管理和营销中的利润最大化问题，并应用于日本漫画销售。
本文介绍了PACE，这是一个模块化的神经符号框架，结合了神经预测模型和符号推理，以生成符合领域特定可行性约束的反事实解释。在Adult Income数据集上的案例研究表明，结合符号规则能够产生更合理且可操作的解释。
介绍P²CE，一种模型无关的算法，用于生成合理的帕累托最优反事实解释，该算法使用孤立森林异常检测器和SHAP值平衡了可行性、合理性和计算效率。
本文通过几何视角审视机器学习模型中的反事实行为，表明预测性能相似的模型，由于决策边界接近性与局部数据支撑之间的交互作用，其反事实结果可能大相径庭。研究结果将反事实行为视为与预测性能不同的独立维度，对模型选择及反事实解释方法的可靠性具有启示意义。
本文引入了反事实解释一致性（CEC）框架，通过对齐个体与其反事实对应物之间的特征归因，检测并缓解结果公平模型中的隐藏程序偏差，并在信用和收入数据集上进行了实验。
本文介绍了 Macro，一种使用 DPO 进行偏好对齐的框架，旨在提高跨多种语言自我生成反事实解释的有效性和最小性。