Conceitos Básicos
다양한 설명자 방법들이 생성한 반사실적 설명들 중 최적의 설명을 선택하기 위한 다기준 분석 접근법을 제안한다.
Resumo
이 논문은 기계학습 모델의 예측을 설명하기 위해 널리 사용되는 반사실적 설명에 대한 연구이다. 반사실적 설명은 모델의 예측을 변경할 수 있는 대안 시나리오를 제공한다. 그러나 적절한 설명 방법을 선택하고 생성된 반사실적 설명 중 하나를 선택하는 것은 쉽지 않다.
이 연구에서는 다양한 설명자 방법들로 구성된 앙상블 접근법을 제안한다. 이 앙상블은 각 설명자 방법이 생성한 반사실적 설명들을 통합하여 다양한 품질 지표에 대한 절충안을 제공한다. 이를 위해 지배 관계와 이상점 의사결정 방법을 활용하여 Pareto 최적 해집합에서 최적의 반사실적 설명을 선택한다.
실험 결과, 제안된 접근법은 다양한 품질 지표에 대한 우수한 절충 해를 제공하는 것으로 나타났다.
Estatísticas
반사실적 설명은 특징 값을 변경하여 모델의 예측을 변경할 수 있다.
반사실적 설명은 근접성, 희소성, 실행가능성, 판별력 등의 다양한 품질 지표를 고려해야 한다.
이러한 품질 지표들은 서로 상충되는 경우가 많다.
Citações
"반사실적 설명은 사용자가 '만약 ~라면 어떻게 되었을까?'와 같은 질문을 통해 모델의 작동 원리를 이해할 수 있게 해준다."
"반사실적 설명은 사용자에게 원하는 결과를 얻기 위해 어떤 변화가 필요한지 명확한 권장 사항을 제공한다."