ترجمه فارسی مقاله تبیین‌های خلاف واقع با تضمین‌های احتمالی در مورد پایداری آنها در برابر تغییر مدل

چکیده

Counterfactual explanations (CFEs) guide users on how to adjust inputs to machine learning models to achieve desired outputs. While existing research primarily addresses static scenarios, real-world applications often involve data or model changes, potentially invalidating previously generated CFEs and rendering user-induced input changes ineffective. Current methods addressing this issue often support only specific models or change types, require extensive hyperparameter tuning, or fail to provide probabilistic guarantees on CFE robustness to model changes. This paper proposes a novel approach for generating CFEs that provides probabilistic guarantees for any model and change type, while offering interpretable and easy-to-select hyperparameters. We establish a theoretical framework for probabilistically defining robustness to model change and demonstrate how our BetaRCE method directly stems from it. BetaRCE is a post-hoc method applied alongside a chosen base CFE generation method to enhance the quality of the explanation beyond robustness. It facilitates a transition from the base explanation to a more robust one with user-adjusted probability bounds. Through experimental comparisons with baselines, we show that BetaRCE yields robust, most plausible, and closest to baseline counterfactual explanations.

چکیده به فارسی (ترجمه ماشینی)

توضیحات ضد خلاف (CFES) کاربران را در مورد نحوه تنظیم ورودی ها به مدل های یادگیری ماشین برای دستیابی به خروجی های مورد نظر راهنمایی می کند.در حالی که تحقیقات موجود در درجه اول به سناریوهای استاتیک می پردازد ، برنامه های کاربردی در دنیای واقعی اغلب شامل داده ها یا تغییرات مدل می شوند ، به طور بالقوه CFE های قبلاً تولید شده و ایجاد تغییرات ورودی ناشی از کاربر ناکارآمد است.روشهای فعلی که به این موضوع می پردازند ، اغلب فقط از مدل های خاص پشتیبانی می کنند یا انواع تغییر می کنند ، نیاز به تنظیم بیش از حد گسترده دارند ، یا در ارائه ضمانت های احتمالی در مورد استحکام CFE برای تغییر مدل.در این مقاله یک رویکرد جدید برای تولید CFE ها ارائه شده است که ضمانت های احتمالی را برای هر مدل و نوع تغییر ارائه می دهد ، در حالی که هاپرپارامترهای قابل تفسیر و آسان را ارائه می دهند.ما یک چارچوب نظری برای تعریف احتمالی استحکام برای مدل سازی تغییر می دهیم و نشان می دهیم که چگونه روش بتارس ما مستقیماً از آن ناشی می شود.Betarce یک روش پس از تعقیب است که در کنار یک روش تولید CFE پایه انتخاب شده برای افزایش کیفیت توضیحات فراتر از استحکام اعمال می شود.این انتقال از توضیحات پایه به یک مورد قوی تر با مرزهای قابل تنظیم کاربر را تسهیل می کند.از طریق مقایسه های تجربی با خطوط پایه ، ما نشان می دهیم که بتارس قوی ، قابل قبول ترین و نزدیکترین به توضیحات ضد عملی است.