Integrating Feature Selection in Counterfactual Generation: An Optimized Framework Using Simulated Annealing
Notice bibliographique
Résumé
In this study, we introduce an innovative framework for counterfactual generation that strategically modifies key “actionable features” to alter decision outcomes. Utilizing Simulated Annealing (SA), our approach optimizes the counterfactual generation process by aiming to reduce both the number and magnitude of feature modifications required, thereby ensuring the generated counterfactuals are sparse, proximate, and valid. To prioritize feature modifications, we apply Local Interpretable Model-agnostic Explanations (LIME) and its variant, S-LIME. These model-agnostic methods help interpret the importance of features by building understandable models for individual data instances, clarifying each feature's influence on the model's decision. Additionally, we develop a novel adaptive Gaussian perturbation technique to produce candidate counterfactuals close to the original input, ensuring their relevance by progressively perturbing the vicinity of the input. A notable advancement of our method over existing techniques is its ability to address multiclass predictions, expanding its applicability beyond the binary prediction limitations of prior works using LIME. Our comprehensive evaluation of the proposed method across diverse datasets-ranging from population growth and malware detection to house pricing-includes detailed experiments and comparisons with leading approaches. The promising results underscore the potential of our approach to significantly enhance model interpretability and decision-making transparency in various applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».