arXiv cs.AI· Emmanouil Panagiotou, Eirini Ntoutsi·· 10 天前AI 评分14
FlowCF：用流匹配为混合类型表格数据生成稀疏反事实解释
FlowCF: Sparse Counterfactual Explanations for Mixed-Type Tabular Data using Flow Matching
AI 导读
FlowCF 是一种模型无关的生成式反事实解释方法，将反事实生成建模为从事实类到目标类的稀疏传输，并用流匹配求解，通过新型混合流算子扩展到混合特征类型，再用门控网络优化稀疏性。在六个基准数据集上，FlowCF 取得最佳数值稀疏性与接近度，仅改变 29% 的数值特征，而最佳基线改变 89%，位移小 70%。该工作已被 NeurIPS 2026 GDDL Workshop 接收。
正文 · AI 翻译
摘要：在可解释人工智能（XAI）领域，反事实（CF）解释通过建议对输入进行哪些改动以导向更有利的结果，来诠释模型的决策。为了在实践中发挥作用，此类解释应尽可能少地改变特征，且改动幅度尽可能小，这些特性被称为稀疏性和邻近性。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，无论它们是模型无关且摊销式的，还是基于梯度且可完全访问模型的。在本文中，我们提出 FlowCF，一种模型无关的生成方法，将 CF 生成建模为从事实类到目标类的稀疏传输。我们使用流匹配来求解该传输，并将其扩展到混合特征类型，提出了一种新颖的混合流算子，同时利用由此产生的几何结构，通过一个门控网络来优化稀疏性，该网络最小化传输所改变的特征数量。在六个基准数据集上的大量实验表明，FlowCF 产生了最佳的数值稀疏性和邻近性，仅改变 29% 的数值特征，而最佳基线改变 89%，位移小 70%，同时在其他期望指标上保持相当。
| 评论： | 被 NeurIPS 2026 几何分布深度学习（GDDL）研讨会接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.08537 [cs.LG] |
| （或使用 arXiv:2610.08537v1 [cs.LG] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2610.08537 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Emmanouil Panagiotou [查看邮箱]
[v1]
2026年10月6日星期二 15:27:23 UTC（3,271 KB）
来源：arXiv cs.AI · arxiv.org