在本文中,我们介绍了MCCE:Monte Carlo采样的现实反事实解释,一种基于模型的方法,通过使用条件推理树产生一组可行的例子来产生反事实解释。与必须求解复杂优化问题或基于其他模型的基于模型的方法不同的基于算法的反事实方法,这些方法使用重型机器学习模型模拟数据分布,MCCE仅由两个轻量级步骤(生成和后处理)组成。对于最终用户而言,MCCE也是直接的,用于理解和实现,处理任何类型的预测模型和类型的特征,考虑到产生反事实说明时,并根据需要产生尽可能多的反事实解释。在本文中,我们介绍了MCCE,并提供了可用于比较反事实解释的全面的性能指标列表。我们还将MCCE与一系列最先进的方法和基准数据集的新基线方法进行比较。 MCCE在考虑有效性(即,正确改变的预测)和可操作性约束时,MCCE优于所有基于模型的方法和基于算法的方法。最后,我们表明MCCE在仅在训练数据的小型子集时,几乎具有效果的实力。
translated by 谷歌翻译