论文内容概述
论文标题: Feature-based Learning for Diverse and Privacy-Preserving Counterfactual Explanations
作者:
- Vy Vo, Trung Le, Van Nguyen, He Zhao, Edwin V. Bonilla, Gholamreza Haffari, Dinh Phung
出版时间与地点:
- 2023年8月6日至10日,发表于ACM SIGKDD会议(KDD '23),长滩,加利福尼亚,美国。
论文的主要内容
背景与动机: 近年来,深度神经网络的普及使得机器学习在各种实际应用中得到广泛应用。然而,这些模型虽然具有出色的预测性能,却往往缺乏透明度和可解释性。特别是在高风险决策领域(如毕业录取、工作招聘、信用评估或刑事司法)中,这种黑箱模型的不可解释性引发了争议。解释性机器学习的发展为理解黑箱模型的行为提供了有趣的解决方案,其中一种方法是通过反事实解释(counterfactual explanations)。反事实解释探讨了“如果...将会如何”的场景,为用户提供修改其个人资料以改变不利决策结果的建议。
主要贡献:<