Loading...
机构名称:
¥ 1.0

摘要。在决策系统中,算法追索权旨在确定最小成本的动作以改变个人的特征,从而获得预期的结果。这使个人有能力理解,质疑或改变对他们产生负面影响的决定。但是,由于系统环境和个人的敏感性以及量化单个功能的成本几乎是不可能的,同时考虑了多种标准情况。大多数当前的追索性机制都使用基于梯度的方法,这些方法假设成本函数是可区分的,通常不适用于现实世界中的情况,从而产生了损害各种标准的亚最佳解决方案。这些解决方案通常是棘手的,并且缺乏严格的理论基础,从而从可解释的AI(XAI)角度引起了人们对解释性,可靠性和透明度的关注。为了解决这些问题,这项工作提出了一个算法的求程框架,该框架处理了非不同和离散的多成本功能。通过将追索权作为多目标优化问题制定,并根据其重要性将权重分配给不同的会议室,我们的方法确定了帕累托最佳追索权建议。为了证明可伸缩性,我们结合了ϵ -NET的概念,证明了找到近似帕累托最佳作用的能力。实验显示了不同迹象和该方法在大图中的可扩展性之间的权衡。与当前的启发式实践相比,我们的方法提供了更强的理论基础,并更好地将追索权与现实世界的要求保持一致。

arxiv:2502.07214v1 [cs.lg] 2025年2月11日

arxiv:2502.07214v1 [cs.lg] 2025年2月11日PDF文件第1页

arxiv:2502.07214v1 [cs.lg] 2025年2月11日PDF文件第2页

arxiv:2502.07214v1 [cs.lg] 2025年2月11日PDF文件第3页

arxiv:2502.07214v1 [cs.lg] 2025年2月11日PDF文件第4页

arxiv:2502.07214v1 [cs.lg] 2025年2月11日PDF文件第5页

相关文件推荐

2025 年
¥1.0
2025 年
¥1.0