Navigating Time's Possibilities: Plausible Counterfactual Explanations for Multivariate Time-Series Forecast through Genetic Algorithms
本文提出一种结合遗传算法和因果性测试的方法，用于多变量时间序列预测中的反事实解释，旨在揭示隐藏的因果关系并预测假设干预下的结果。
2026-03-01 cs.LG
Navigating Spatial Inequities in Freight Truck Crash Severity via Counterfactual Inference in Los Angeles
Tsinghua University（清华大学）；Texas A&M University（德克萨斯农工大学）；University of California, Los Angeles（加州大学洛杉矶分校）；University of Southern California（南加州大学）
本研究从交通地理学视角，采用深度反事实推理模型，分析洛杉矶货运卡车碰撞严重程度的空间不平等及其影响因素，为针对性政策干预提供数据支持，丰富相关领域文献。
2024-11-26 cs.LG
Synthesising Counterfactual Explanations via Label-Conditional Gaussian Mixture Variational Autoencoders
Imperial College London（帝国理工学院伦敦分校）；J.P. Morgan AI Research（摩根大通人工智能研究）；King’s College London（伦敦国王学院）
LAPACE通过标签条件高斯混合变分自编码器生成稳健且多样化的反事实解释路径，实现高效且模型无关的CE合成。
2026-02-27 cs.LG
Counterfactual Outcome Prediction using Structured State Space Model
Purdue University（普渡大学）
本文探讨了状态空间模型在纵向数据反事实结果预测中的应用，通过实验证明S4Model比TE-CDE训练更高效、预测更准确且更稳定。
2023-05-16 cs.AI cs.LG stat.ME
CausalVAE: Structured Causal Disentanglement in Variational Autoencoder
University College London（伦敦大学学院）；The Hong Kong University of Science and Technology（香港科技大学）
针对真实场景中语义因子多存在因果依赖而非独立的问题，提出含因果层的CausalVAE框架，可学习可解释因果表示、识别DAG因果关系并生成反事实数据，且在一定监督下具备模型可识别性。
2023-12-19 cs.LG stat.ML
Counterfactual Fragility Certificates: Exposing High-Confidence Brittleness under Structured Evidence Failure
Macquarie University（麦考瑞大学）
该研究提出反事实脆弱性证书（CFC），用于审计表格决策系统中高置信度预测的脆弱性，CFC-FDS在识别脆弱高置信度案例上表现优于现有方法，为模型可靠性评估提供了新框架。
2026-09-02 cs.AI cs.LG
CDS: Counterfactual Directionality Score for Structured Interventions in Spatial Graphs
University of Houston（休斯顿大学）
研究旨在量化图模型中节点群体间方向性影响，提出基于图模型的结构化反事实干预框架，训练邻居影响模型并定义CDS，通过实验验证该方法能有效恢复方向性影响，对混杂信号有鲁棒性，在生物数据上有合理一致的相互作用。
2026-07-16 cs.LG
Cost-Effective Incentive Allocation via Structured Counterfactual Inference
University of California, Berkeley（加州大学伯克利分校）；Ant Financial Service Group（蚂蚁金融服务集团）；Georgia Institute of Technology（佐治亚理工学院）；Shanghai Jiao Tong University（上海交通大学）
我们解决了一个普遍存在于现代营销活动中的实际问题，在这个问题中，中央代理试图学习一个政策，用于向客户分配战略性的财务激励措施，并只观察到强盗反馈。与传统的政策优化框架相比，我们考虑到在这种情况下常见的额外的奖励结构和预算约束，并开发了一个新的两步法来解决这个约束反事实的政策优化问题。我们的方法首先铸造的奖励估计问题作为一个补充结构的域适应问题，然后使用的估计优化的政策约束。我们还建立了我们的估计过程的理论误差范围，我们的经验表明，该方法导致显着改善合成和真实的数据集。
2019-11-11 cs.LG stat.ML
Disentangled Representation with Causal Constraints for Counterfactual Fairness
University of South Australia（南澳大学）；Simon Fraser University（西蒙弗雷泽大学）
针对公平表示学习忽视隐变量因果关系的问题，提出CF-VAE学习符合领域知识的结构化表示，理论保证反事实公平，并在实验中同时提升公平性与预测准确性。
2023-12-16 cs.AI cs.CY cs.LG
CARE: Coherent Actionable Recourse based on Sound Counterfactual Explanations
University of Oslo（奥斯陆大学）
反事实解释方法以“假设情景”的形式解释机器学习模型的输出，而不损害真实性-可解释性权衡。他们解释了如何通过建议对输入特征进行小的更改来从模型中获得所需的预测，也就是资源。我们认为，应根据源于地面实况数据分布并与领域知识相关联的合理反事实解释，创建可诉追索权。此外，它需要保持变化/不变的功能之间的一致性，同时满足用户/域指定的约束。本文介绍了关怀，一个模块化的解释框架，解决了模型和用户级的desiderata连续和结构化的方式。我们通过提出在多目标优化框架中制定的新颖有效的解决方案来解决现有的要求。所设计的框架，使包括任意的要求，并产生反事实的解释和可采取行动的追索权的选择。作为一种与模型无关的方法，CARE为表格分类和回归设置中的任何黑盒模型生成多种多样的解释。在标准数据集和黑盒模型上的几个实验证明了我们的模块化框架的有效性及其与基线相比的优越性能。
2021-08-18 cs.AI cs.LG
Counterfactual Distribution Regression for Structured Inference
Royal Holloway University London（伦敦大学皇家霍洛威学院）；University College London（伦敦大学学院）；Gatsby Computational Neuroscience Unit（盖茨比计算神经科学组）
我们考虑的问题，其中系统接收外部\emph{perturbations}不时。例如，该系统可以是训练网络，其中特定线路在没有警告的情况下反复中断，从而对乘客行为产生影响。目标是预测系统在特定兴趣点的行为变化，例如受影响铁路车站周围的乘客流量。我们假设可用的数据提供了系统在其“自然状态”下运行的记录（例如，没有中断的训练网络）和关于发生扰动的情况的数据。推理问题是如何与特定的协变量，如位置和时间的扰动有关的信息，可以概括为预测新的扰动的影响。我们从映射的角度来处理这个问题，从没有中断的系统行为的反事实分布到被中断的系统的分布。为此设置开发了\emph{distribution regression}的变体。
2019-08-20 cs.LG stat.AP stat.ME
GCFX: Generative Counterfactual Explanations for Deep Graph Models at the Model Level
South China University of Technology（华南理工大学）
GCFX通过生成模型级反事实解释，提升深度图模型的可解释性和可信度。
2026-01-26 cs.AI cs.LG
Navigating the Emotion Tree: Hierarchical Hyperbolic RAG for Multimodal Emotion Recognition
Great Bay University（广东东莞大亚湾大学）；Tencent Youtu Lab（腾讯优图实验室）
本文提出HyperEmo-RAG，一种利用结构化情绪知识库的检索增强生成框架，通过双曲空间嵌入和证据图构建来提升多模态情绪识别的性能。
2026-05-16 cs.CV cs.LG
CFRecs: Counterfactual Recommendations on Real Estate User Listing Interaction Graphs
Arizona State University（亚利桑那州立大学）；Zillow Group（Zillow集团）
CFRecs通过反事实推理在房地产用户列表交互图中生成可操作的推荐，提升推荐系统的可解释性和实用性。
2026-02-05 cs.LG stat.ML
Counterfactual Probabilistic Diffusion with Expert Models
本文提出ODE-Diff框架，通过提取不完美专家模型的高层信号作为结构化先验，结合时间序列扩散模型预测复杂动力系统中的反事实分布，在数据稀缺时实现了更可靠可解释的因果推断，并在多项实验中优于强基线。
2025-09-11 cs.AI cs.LG stat.ME
Faithful, Sufficient and Understandable: Rethinking Graph Counterfactual Explanations via Discrete Diffusion Inversion
TU Berlin（柏林工业大学）；BIFOLD–Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所）
该研究针对图神经网络预测缺乏内在解释的问题，提出GDCE-I方法，结合离散扩散反演技术，在统一评估框架下于四个基准测试中大幅优于相关工作，可生成符合领域规则的可解释图反事实解释。
2026-08-13 cs.AI cs.LG
Counterfactual Learning on Graphs: A Survey
The Pennsylvania State University（宾夕法尼亚州立大学）；IBM T.J. Watson Research Center（IBM T.J. 沃森研究中心）；Michigan State University（密歇根州立大学）
本综述系统分类并全面回顾了图上的反事实学习，涵盖公平性、可解释性、链接预测等应用，并指出了未来研究方向及资源集合。
2024-07-23 cs.LG
Zero-shot LLM-guided Counterfactual Generation: A Case Study on NLP Model Evaluation
Worcester Polytechnic Institute（伍斯特理工学院）
本文研究利用大语言模型以零样本方式生成反事实示例来对黑盒NLP模型进行压力测试和解释，提出结构化生成流水线，并通过多种LLMs和下游任务实验验证其有效性。
2024-11-19 cs.AI cs.CL cs.LG
Adaptive Group-Based Counterfactual Explanations for Time-Series Rehabilitation Data
NWO LoaD-project（荷兰科研组织（NWO）LoaD项目）
针对多变量时间序列分类器在康复数据分析中难以解释的问题，提出两阶段框架，通过可学习门控机制生成基于语义特征组的反事实解释，在保持有效性的同时提升组级稀疏性和临床可解释性。
2026-07-03 cs.LG
One Explanation is Not Enough: Structured Attention Graphs for Image Classification
Oregon State University（俄勒冈州立大学）
注意力地图是解释卷积网络用于图像分类的决策的流行方式。通常，对于每个感兴趣的图像，生成单个注意力图，该注意力图基于像素对分类的重要性为像素分配权重。然而，单一的注意力地图提供了不完整的理解，因为通常有许多其他地图同样很好地解释了分类。在本文中，我们介绍了结构化的注意力图（SAG），它通过捕捉图像区域的不同组合如何影响分类器的置信度来复杂地表示图像的注意力图集。我们提出了一种方法来计算SAG和SAG的可视化，以便更深入地了解分类器的决策。我们进行了一项用户研究，比较了使用SAG和传统的注意力地图来回答关于图像分类的反事实问题。我们的研究结果表明，与基线相比，用户在回答基于SAG的比较性反事实问题时更正确。
2021-11-07 cs.CV cs.LG
Navigating Extremes: Dynamic Sparsity in Large Output Spaces
Aalto University（阿尔托大学）；University of Calgary（卡尔加里大学）；University of Bath（巴斯大学）
本文针对大输出空间分类中稠密分类层内存开销巨大的问题，将动态稀疏训练与稀疏进化训练相结合，并通过引入中间层或辅助训练目标改善梯度流动，从而在普通硬件上实现数百万标签的端到端高效训练。
2025-02-09 cs.AI cs.LG
What if Tomorrow is the World Cup Final? Counterfactual Time Series Forecasting with Textual Conditions
School of Information Science and Technology, ShanghaiTech University, Shanghai, China（信息科学与技术学院，上海科技大学，上海，中国）；University of Illinois at Urbana-Champaign, Illinois, United States（伊利诺伊大学厄巴纳-香槟分校，伊利诺伊，美国）
本文提出基于文本条件的反事实时间序列预测任务，引入综合评估框架和文本归因机制，提升在复杂随机条件下的预测准确性。
2026-05-14 cs.LG
A Comparative Study of Counterfactual Explainers for Graph Neural Networks Enabling Multiple Types of Graph Edit
Institute of Computer Science, Foundation for Research and Technology - Hellas (FORTH)（希腊研究与技术基金会计算机科学研究所）；University of Crete（克里特大学）
本研究对比六种SOTA图神经网络反事实解释器，在多类图与节点分类任务数据集上，用多指标评估其在解释大小、覆盖率等方面的表现，为该领域研究提供指导。
2026-09-07 cs.LG
Counterfactual Explanations for Deep Two-Sample Testing
Hasso-Plattner-Institute, University of Potsdam（波茨坦大学洪堡-劳恩堡研究所）；Hasso Plattner Institute for Digital Health at Mount Sinai Icahn School of Medicine at Mount Sinai（辛辛那提医学院洪堡数字健康研究所）
针对深度双样本检验，提出基于扩散自编码器和MMD优化的反事实解释框架，生成样本级编辑以揭示驱动假设拒绝的特征。
2026-06-12 cs.AI cs.LG stat.ML
Navigating the Latent Space Dynamics of Neural Models
IST Austria（IST奥地利研究院）；Sapienza（拉瓦尔大学）；Paradigma
本文提出将神经模型视为作用于潜在流形上的动态系统，通过潜在向量场分析模型性质与数据特性，实现模型泛化、记忆和异常检测。
2026-03-25 cs.LG
Navigating Chemical Space with Latent Flows
Cornell University（康奈尔大学）；Harvard University（哈佛大学）；Deep Principle, Inc（Deep Principle公司）；California Institute of Technology（加州理工学院）
本文提出ChemFlow框架，通过动态系统视角学习向量场，在潜在空间中导航以高效探索化学空间，统一并改进了分子优化方法，实验验证了其在多种任务上的有效性。
2024-11-06 cs.LG physics.chem-ph
Prolog-based agnostic explanation module for structured pattern classification
Tilburg University（蒂尔堡大学）；Warsaw University of Technology（华沙理工大学）；University of Miami（迈阿密大学）
本文提出了一个基于Prolog的推理模块，以产生反事实的解释给出的预测计算的黑盒分类器。所提出的符号推理模块还可以使用地面实况标签而不是预测标签来解决假设查询。总的来说，我们的方法包括四个定义明确的阶段，可以应用于任何结构化模式分类问题。首先，我们对给定的数据集进行预处理，通过插补缺失值和归一化数值特征。其次，我们将数字特征转换为符号的模糊聚类，使提取的模糊聚类映射到一个有序的预定义的符号集。第三，我们使用标称值、预定义符号、决策类和置信度值将实例编码为Prolog规则。第四，我们使用模糊粗糙集理论来计算每个Prolog规则的整体置信度，以处理将数值量转换为符号所带来的不确定性。这一步带来了一个新的相似性函数的额外的理论贡献，以比较先前定义的Prolog规则，涉及置信度值。最后，我们实现了一个聊天机器人作为人类和基于Prolog的推理模块之间的代理，以解决自然语言查询并生成反事实解释。在使用合成数据集的数值模拟过程中，我们研究了当使用不同的模糊算子和相似性函数时，我们的系统的性能。最后，我们将使用不同的用例来说明我们的推理模块是如何工作的。
2022-11-18 cs.LG
Transformers in the Dark: Navigating Unknown Search Spaces via Bandit Feedback
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；FuriosaAI；Yonsei University（延世大学）；KRAFTON AI；Ludo Robotics
本文探讨LLM能否通过Transformer架构近似搜索算法，提出未知树搜索与多臂反馈框架，证明Transformer可实现不同搜索策略并具备泛化能力。
2026-03-25 cs.LG
Interactive Critique-Revision Training for Reliable Structured LLM Generation
The George Washington University（乔治华盛顿大学）；Northeastern University（东北大学）；United States Military Academy（美国军事学院）
本文提出DPA-GRPO方法，通过生成器-验证器游戏中的结构化验证干预，提升结构化决策的准确性与一致性，实验显示其在TaxCalcBench TY24上优于零样本生成和生成器-only RL基线。
2026-05-08 cs.AI cs.LG
Navigating Ideation Space: Decomposed Conceptual Representations for Positioning Scientific Ideas
Virginia Tech（弗吉尼亚理工大学）；University of California, Davis（加州大学戴维斯分校）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出构想空间，通过分解科学知识的三个维度，实现科学思想的定位与评估，提升文献检索和创新性判断的效率与准确性。
2026-10-27 cs.AI cs.CL cs.IR
Learning What to Remember: Long-horizon Counterfactual Memory Optimization
University of Michigan（密歇根大学）
本文提出记忆增益策略优化（MGPO），通过边际贡献信用分配解决长交互中记忆重写的延迟效用问题，在文档级信息抽取中提升性能并减少近80%记忆长度，支持跨领域复用。
2026-09-30 cs.CL cs.LG
