arXiv cs.AI· Sejong Oh·· 13 小时前AI 评分22
Actionable CBFI：面向稀疏因果算法补救的规定性干预诊断与交互感知升级
Actionable CBFI: Prescriptive Interventional Diagnosis and Interaction-Aware Escalation for Sparse Causal Algorithmic Recourse
AI 导读
研究者提出 Actionable Case-Based Feature Importance（A-CBFI），将 Localized-CBFI 的描述性分解转为基于结构因果模型的规定性干预诊断，仅在单一动作不足时才搜索联合动作。
正文 · AI 翻译
摘要：算法追索（Algorithmic recourse）告诉个体哪些可行行动会改变不利的预测。特征归因解释了一个预测，但最重要的原因往往不是最佳的杠杆。我们提出可行动案例特征重要性（Actionable Case-Based Feature Importance，A-CBFI），它将 Localized-CBFI 的描述性分解转化为结构因果模型上的规范性、干预性诊断。当存在单一行动时，A-CBFI 会给出最廉价的单一行动；只有当单一行动不足时，才会搜索联合行动。我们表明，干预性交互也会由路径阻断和共享后代产生，这是仅基于模型的交互指标无法看到的；并且，在加性目标失效的地方，平均交互得分会相互抵消。在十个表格基准（6,657 次追索查询）上，A-CBFI 的成功率从未显著低于无目标的因果束搜索，它给出的直接行动更少（1.10 对 1.38），模型评估次数也更少（119 对 150），并且对于单一行动即可解决的查询，有 68.2% 提供了可替代的单一行动。成功率的提升主要出现在原因不可改变且单一行动不足的情况下。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| MSC 分类： | 62R07 |
| ACM 分类： | I.2.6 |
| 引用为： | arXiv:2608.27821 [cs.LG] |
| （或 arXiv:2608.27821v3 [cs.LG] 以获取此版本） | |
| https://doi.org/10.48550/arXiv.2608.27821 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sejong Oh [查看邮箱]
[v1]
2026年8月28日星期五 01:40:43 UTC（2,116 KB）
[v2]
2026年9月8日星期二 00:19:11 UTC（2,133 KB）
[v3]
2026年10月27日星期二 06:42:17 UTC（1,292 KB）
来源：arXiv cs.AI · arxiv.org