Counterfactual Explanations for Linear Optimization

计数事实解释（CE）的概念已经成为理解复杂AI系统内部运作的重要概念之一。本文将CE的想法转化为线性优化，并提出、激励和分析了三种不同类型的CE：强、弱和相对。虽然推导强和弱CE似乎是计算上难以处理的，但我们展示了计算相对CE可以高效地完成。通过检测和利用后一种情况下优化问题的隐藏凸结构，我们展示了获得相对CE可以在与解决原始线性优化问题相同数量级的时间内完成。这在对NETLIB库进行的广泛数值实验研究中得到了证实。

研究如何将反事实解释（CE）的概念转化为线性优化，并提出三种不同类型的CE：强CE、弱CE和相对CE。

利用线性优化的隐含凸结构，实现计算相对CE的高效率。

论文提出了一种新的CE计算方法，可以在与解决原始线性优化问题相同的时间内完成。实验结果表明该方法在NETLIB库上的表现良好。

与CE相关的研究包括：《Counterfactual Explanations without Opening the Black Box: Automated Decisions and the GDPR》、《Axiomatic Attribution for Deep Networks》等。