-
题名带特征选择的综合因果多目标反事实解释方法
- 1
-
-
作者
刘金平
汤浩楠
李兴旺
徐鹏飞
袁晟玮
-
机构
湖南师范大学信息科学与工程学院
-
出处
《电子学报》
北大核心
2025年第6期1805-1814,共10页
-
基金
国家自然科学基金(No.62371187)。
-
文摘
随着复杂机器学习模型应用扩展,各行业对模型可解释性的需求剧增.反事实解释是重要的事后可解释方法,但传统方法常将多目标合并为单目标优化,导致权重分配困难且难以调和目标冲突,也因忽略因果关系使生成的反事实样本不现实.此外,现有方法在高维、冗余、噪声数据下存在计算效率低、预测精度下降及全局解释不足等问题.为此,本文提出综合因果多目标反事实解释方法(Comprehensive Causal multi-objective counterfactual Explanation with Feature Selection,CCE-FS).该方法首先基于最大互信息系数筛选关键特征以提升预测精度和全局解释力,然后将反事实搜索转化为多目标优化问题,有效平衡多目标关系.同时引入领域因果关系约束,确保反事实样本现实合理.CCE-FS还提供可视化特征效应分析,增强用户理解并揭示模型偏见.Statlog数据集实验表明,CCE-FS通过特征选择显著提高了反事实样本的有效性、正常性、稀疏度,并使连续特征接近度提升46.3%.在Adult-Income和COMPAS数据集上的验证进一步证明,CCE-FS在因果一致性、数据分布合理性和连续特征邻近度方面均优于现有方法,展现了更强的解释与应用潜力.
-
关键词
反事实解释
多目标优化
特征选择
因果关系
最大互信息系数
可视化特征效应
-
Keywords
counterfactual explanations
multi-objective optimization
feature selection
causal relationship
maxi⁃mal information coefficient
visualization of feature effects
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
