.png){kind=icon}
返回
Actionable counterfactual explanation generation via multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.114355.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
反事实解释（CE）生成从根本上涉及对数据中因果关系的理解。在现实世界中，一个特征的变化通常会触发其他特征的变化，从而形成因果依赖网络。在CE生成中忽略这些因果关系可能导致无关、虚假或冗余的结果。然而，将因果关系建模为目标函数具有挑战性；因此，许多基于优化的CE方法难以准确捕捉特征间的这些因果依赖关系。为解决此挑战，我们将因果估计融入进化算法的后代生成过程中。具体而言，我们使用马尔可夫毯算法识别因果链，然后基于这些链执行因果特征选择。通过随机组合因果链中的元素，我们生成包含最少（稀疏）特征且与目标特征保持因果关系的多样化后代。此外，我们开发了一种新的变异算子，可在优化过程中保留已识别的因果链。这种后代生成机制产生的反事实解释灵活且适用于用户的特定情况。它通过简单的因果逻辑提供实现相同结果的多种路径，使其具有可操作性。除提供可操作补救措施外，该框架还通过揭示因果影响特征路径来提供对潜在算法偏差的见解，从而无需显式公平约束即可进行事后公平性分析。我们在七个数据集和五种机器学习模型上测试了该框架的有效性，并将其与其他多目标进化算法进行了比较。结果表明，该框架在超体积、Wilcoxon符号秩检验和Friedman检验的证明下，始终优于其他进化算法。
Keyword:
Counterfactual Explanation
Causal Inference
Multi-Objective Optimization
Evolutionary Algorithm
Actionable Recourse
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
暂无论文信息