原创力文档- 1、本文档共13页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
DiCE-Extended:机器学习中反事实解释的一种稳
健方法
VolkanBAKIR,PolatGOKTAS,andSureyyaOZOGUR-AKYUZ
FacultyofGraduateEducationInstitute,DepartmentofArtificialIntelligence
(Interdisciplinary),BahçeehirUniversity,Turkey
volkan.bakir@.tr
SchoolofComputerScience,UniversityCollegeDublin,Ireland
polat.goktas@ucd.ie
本FacultyofEngineeringandNaturalSciences,DepartmentofMathematics,
译BahçeehirUniversity,Turkey
sureyya.akyuz@.tr
中
2
v
7
2
0
9
1摘要可解释的人工智能（XAI）在医疗、金融和法律等决策关键领域变得
.
4越来越重要。反事实（CF）解释是XAI中的一个重要方法，通过建议对输
0入特征进行最小修改以导致不同的模型结果，为用户提供可行的见解。尽
5
2管取得了显著的进步，现有的CF生成方法往往难以平衡接近性、多样性和
:稳健性，限制了它们在现实世界中的应用。一个广泛采用的框架多样化的
v
i反事实解释（DiCE）强调多样性但缺乏稳健性，使得CF解释对扰动和领
x
r域约束敏感。为了应对这些挑战，我们引入了迪西-扩展版，这是一个增强
a
的CF解释框架，整合多目标优化技术以提高稳健性同时保持可解释性。我
们的方法基于Dice-Sørensen系数引入了一种新的稳健性度量标准，使在
小输入变化下保持稳定成为可能。此外，我们使用加权损失组件（，，
）来平衡接近性、多样性和稳健性，从而改进CF生成。我们在多个ML
后端（Scikit-learn,PyTorch,TensorFlow）上的基准数据集（COMPAS,
LendingClub,德国信用,成人收入）上实证验证了DiCE-Extended。结果
表明，与标准的DiCE生成解释相比，CF的有效性、稳定性和与决策边界
的对齐程度得到了提高。我们的研究结果突出了DiCE-扩展版在为高风
险应用生成更可靠和可解释的反事实方面的能力。未来的工作可以探索自
适应优化技术和特定领域的约束，以进一步提高现实世界场景中的反事实
生成能力。
关键词：反事实解释·机器学习·可解
文档评论（0）