Un marco para la exploración contrafactual factible que incorpora causalidad, esparsidad y densidad

La necesidad inminente de interpretar la salida de un modelo de Aprendizaje Automático con explicaciones contrafactuales (CF) - a través de pequeñas perturbaciones en la entrada - ha sido notable en la comunidad de investigación. Aunque la variedad de ejemplos CF es importante, el aspecto de que sean factibles al mismo tiempo no se aplica necesariamente en su totalidad. Este trabajo utiliza diferentes conjuntos de datos de referencia para examinar, a través de la preservación de las relaciones causales lógicas de sus atributos, si se pueden generar ejemplos CF después de una pequeña cantidad de cambios en la entrada original, ser factibles y realmente útiles para el usuario final en un caso del mundo real. Para lograr esto, utilizamos un modelo de caja negra como clasificador, para distinguir la clase deseada de la clase de entrada y un Autoencoder Variacional (VAE) para generar ejemplos CF factibles. Como extensión, también extrajimos variedades bidimensionales (una para cada conjunto de datos) que localizaron la mayoría de los ejemplos factibles, una representación que los distinguió adecuadamente de los no factibles. Para nuestra experimentación, utilizamos tres conjuntos de datos comúnmente utilizados y logramos generar ejemplos CF factibles y al mismo tiempo escasos, que satisfacen todos los posibles límites causales predefinidos, confirmando su importancia con los atributos en un conjunto de datos.