Apprentissage de modèles d'explications contrefactuelles agnostiques pour des données tabulaires

Des explications contrefactuelles peuvent être obtenues en identifiant le changement le plus petit apporté à un vecteur d'entrée pour influencer une prédiction de manière positive du point de vue de l'utilisateur ; par exemple, passer de 'prêt refusé' à 'accordé' ou de 'haut risque de maladie cardiovasculaire' à 'faible risque'. Les approches précédentes ne garantissaient pas que les contrefactuels produits soient proches (c'est-à-dire non des valeurs aberrantes locales) et connectés à des régions avec une densité de données substantielle (c'est-à-dire proche des observations correctement classées), deux exigences connues sous le nom de fidélité contrefactuelle. Notre contribution est double. Tout d'abord, en s'inspirant de la littérature sur l'apprentissage des variétés, nous développons un cadre, appelé C-CHVAE, qui génère des contrefactuels fidèles. Deuxièmement, nous suggérons de compléter le catalogue des mesures de qualité des contrefactuels en utilisant un critère pour quantifier le degré de difficulté pour une certaine suggestion contrefactuelle. Nos expériences dans le monde réel suggèrent que des contrefactuels fidèles se font au prix de degrés de difficulté plus élevés.