DISCOVER: 分布的反事実説明のソルバー

要約: 反事実説明 (CE) は、異なる予測を生み出す入力変更を特定することによって、モデルの決定を説明します。ほとんどの既存の手法はインスタンスレベルで動作します。Distributional Counterfactual Explanations (DCE) は、この設定を拡張し、実データ入力分布への近さとターゲット出力分布への整合性をバランスさせる最適輸送目的を最適化し、確率制約付き境界による統計的認証を提供します。しかし、DCE は勾配ベースの最適化に依存しており、多くの現実世界の表形式パイプラインは非微分可能なモデルに支配されています。我々は、分布的カウンターファクチュアル説明のモデル非依存ソルバー DISCOVER を提案します。DISCOVER は元の DCE の目的と認証を保持しつつ、勾配降下法を疎な提案-選択探索パラダイムに置換します。それは、輸送目的のサンプル単位の分解を利用して、行ごとの影響スコアを計算し、トップ-k の介入予算を課し、最も影響力のあるサンプルに編集を集中させます。予測子の勾配なしに候補生成を導くために、DISCOVER は入力側の輸送幾何により駆動された OT ガイド付きコーン・サンプリングのプリミティブを導入します。複数の表形式データセットに対する実験は、入力と出力分布の強力な結合整合性を示し、分布的カウンターファクチュアル推論を現代のブラックボックス学習パイプラインへ拡張します。コードリポジトリは https://github.com/understanding-ml/DCE で利用可能です。返却形式: {"translated": "翻訳されたHTML"}