Buchumschlag

A New Approach to Backtracking Counterfactual Explanations: A Unified Causal Framework for Efficient Model Interpretability

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fatemi, Pouria, Sharifian, Ehsan, Yassaee, Mohammad Hossein
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Backtracking Counterfactuals for Causally Compliant Explanations
von: Kladny, Klaus-Rudolf, et al.
Veröffentlicht: (2023)

Near-Optimal Experiment Design in Linear non-Gaussian Cyclic Models
von: Sharifian, Ehsan, et al.
Veröffentlicht: (2025)

Causality-Aware Local Interpretable Model-Agnostic Explanations
von: Cinquini, Martina, et al.
Veröffentlicht: (2022)

A Probabilistic Consensus-Driven Approach for Robust Counterfactual Explanations
von: Kostrzewa, Marcin, et al.
Veröffentlicht: (2026)

Natural Counterfactuals With Necessary Backtracking
von: Hao, Guang-Yuan, et al.
Veröffentlicht: (2024)

A Two-Stage Algorithm for Cost-Efficient Multi-instance Counterfactual Explanations
von: Artelt, André, et al.
Veröffentlicht: (2024)

RealAC: A Domain-Agnostic Framework for Realistic and Actionable Counterfactual Explanations
von: Arefeen, Asiful, et al.
Veröffentlicht: (2025)

Flexible Counterfactual Explanations with Generative Models
von: Hellemans, Stig, et al.
Veröffentlicht: (2025)

A Framework for Feasible Counterfactual Exploration incorporating Causality, Sparsity and Density
von: Markou, Kleopatra, et al.
Veröffentlicht: (2024)

Counterfactual Training: Teaching Models Plausible and Actionable Explanations
von: Altmeyer, Patrick, et al.
Veröffentlicht: (2026)

Counterfactual Explanations with Probabilistic Guarantees on their Robustness to Model Change
von: Stępka, Ignacy, et al.
Veröffentlicht: (2024)

Robust Counterfactual Explanations in Machine Learning: A Survey
von: Jiang, Junqi, et al.
Veröffentlicht: (2024)

Graph Edits for Counterfactual Explanations: A comparative study
von: Dimitriou, Angeliki, et al.
Veröffentlicht: (2024)

Unifying Perspectives: Plausible Counterfactual Explanations on Global, Group-wise, and Local Levels
von: Furman, Oleksii, et al.
Veröffentlicht: (2024)

Explanation Space: A New Perspective into Time Series Interpretability
von: Rezaei, Shahbaz, et al.
Veröffentlicht: (2024)

Galaxy Morphology Classification with Counterfactual Explanation
von: Cao, Zhuo, et al.
Veröffentlicht: (2025)

Calibrated Explanations: with Uncertainty Information and Counterfactuals
von: Lofstrom, Helena, et al.
Veröffentlicht: (2023)

Distributional Counterfactual Explanations With Optimal Transport
von: You, Lei, et al.
Veröffentlicht: (2024)

The Effect of Data Poisoning on Counterfactual Explanations
von: Artelt, André, et al.
Veröffentlicht: (2024)

Interval Abstractions for Robust Counterfactual Explanations
von: Jiang, Junqi, et al.
Veröffentlicht: (2024)

Beyond the Frontier: Stochastic Backtracking for Efficient Test-Time Scaling
von: Tran, Dao, et al.
Veröffentlicht: (2026)

GradCFA: A Hybrid Gradient-Based Counterfactual and Feature Attribution Explanation Algorithm for Local Interpretation of Neural Networks
von: Sanderson, Jacob, et al.
Veröffentlicht: (2026)

Counterfactual Explanations for Clustering Models
von: Spagnol, Aurora, et al.
Veröffentlicht: (2024)

Teleporter Theory: A General and Simple Approach for Modeling Cross-World Counterfactual Causality
von: Li, Jiangmeng, et al.
Veröffentlicht: (2024)

Provably Robust Bayesian Counterfactual Explanations under Model Changes
von: Duell, Jamie, et al.
Veröffentlicht: (2026)

GCFX: Generative Counterfactual Explanations for Deep Graph Models at the Model Level
von: Hu, Jinlong, et al.
Veröffentlicht: (2026)

Towards a Unified Framework for Evaluating Explanations
von: Pinto, Juan D., et al.
Veröffentlicht: (2024)

CFGs: Causality Constrained Counterfactual Explanations using goal-directed ASP
von: Dasgupta, Sopam, et al.
Veröffentlicht: (2024)

Generally-Occurring Model Change for Robust Counterfactual Explanations
von: Xu, Ao, et al.
Veröffentlicht: (2024)

Counterfactual Explanations for Continuous Action Reinforcement Learning
von: Dong, Shuyang, et al.
Veröffentlicht: (2025)

On the Hardness of Computing Counterfactual and Semifactual Explanations in XAI
von: Artelt, André, et al.
Veröffentlicht: (2026)

Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations
von: Marzari, Luca, et al.
Veröffentlicht: (2024)

Generating Counterfactual Explanations Using Cardinality Constraints
von: Ruiz-Torrubiano, Rubén
Veröffentlicht: (2024)

On the Definition and Detection of Cherry-Picking in Counterfactual Explanations
von: Hinns, James, et al.
Veröffentlicht: (2026)

Robust Stochastic Graph Generator for Counterfactual Explanations
von: Prado-Romero, Mario Alfonso, et al.
Veröffentlicht: (2023)

From Identifiable Causal Representations to Controllable Counterfactual Generation: A Survey on Causal Generative Modeling
von: Komanduri, Aneesh, et al.
Veröffentlicht: (2023)

UNR-Explainer: Counterfactual Explanations for Unsupervised Node Representation Learning Models
von: Kang, Hyunju, et al.
Veröffentlicht: (2026)

DeepFaith: A Domain-Free and Model-Agnostic Unified Framework for Highly Faithful Explanations
von: Guo, Yuhan, et al.
Veröffentlicht: (2025)

A Model of Causal Explanation on Neural Networks for Tabular Data
von: Isozaki, Takashi, et al.
Veröffentlicht: (2025)

CoGS: Causality Constrained Counterfactual Explanations using goal-directed ASP
von: Dasgupta, Sopam, et al.
Veröffentlicht: (2024)