FlowCF：使用流匹配为混合类型表格数据生成稀疏反事实解释

arXiv:2610.08537v1 发布类型：新 摘要：在可解释人工智能（XAI）领域，反事实（CF）解释通过提出能够带来更有利结果的输入变化，来解读模型的决策。要使这类解释在实践中有用，它应当只改变少量特征，并且尽可能小幅度地改变这些特征，这些性质被称为稀疏性和接近性。我们观察到，现有方法在这方面仍存在局限，尤其是对于数值特征而言；无论是与模型无关的摊销方法，还是能够完全访问模型的基于梯度的方法，均是如此。在本文中，我们提出 FlowCF，一种与模型无关的生成式方法，将反事实生成构建为从事实类别到目标类别的稀疏传输。我们使用流匹配来求解这一传输问题，并通过一种新颖的混合流算子将其扩展到混合特征类型；同时利用由此产生的几何结构，通过一个门控网络优化稀疏性，使传输改变的特征数量最小化。在六个基准数据集上的大量实验表明，FlowCF 在数值特征的稀疏性和接近性方面表现最佳：仅改变 29% 的数值特征，而最佳基线方法会改变 89%，且位移幅度缩小 70%；在其他评价指标上，FlowCF 也保持了相当的表现。