【ICML 2021】树集成中的最优反事实解释

反事实解释通常是通过对搜索的初始条件敏感的启发式方法产生的。缺乏性能和鲁棒性的保证会妨碍可靠性。在这篇论文中，我们采取了一种严谨的方法来解释树的集成。我们提倡以“最优”解释为目标的基于模型的搜索，并提出了有效的混合整数规划方法。我们表明，隔离森林可以在我们的框架内建模，以将研究重点放在离群值较低的合理解释上。我们提供了建模重要目标、异构数据类型、特征空间的结构约束以及资源和可操作性限制的附加约束的全面覆盖。我们的实验分析表明，提出的搜索方法需要的计算工作量比以前的数学编程算法小数量级。它可以扩展到大的数据集和树集合，并在几秒钟内提供基于明确定义的模型的系统解释，这些模型求解最优。

https://www.zhuanzhi.ai/paper/a9c2e61073bafc40043fe5e4af8f6eb7