AR-Pro：具有形式属性的异常修复的反事实解释

本文研究反事实解释在可解释人工智能中的应用，提出基于案例的方法以提高解释能力和覆盖范围。

DiVE方法通过学习扰动和使用多样性强制损失，揭示与模型预测相关的多个有价值的解释，提升高质量解释的成功率。

提出了一种可理解的概率异常检测器，能够描述其响应原因，并考虑对象交互提供异常解释。

使用解释性捕获输入空间中的新特征，结合相似性和新颖性的方法在异常基准上实现强大性能，减少假阴性异常。

介绍了一种领域无关的反事实解释技术，用于产生时间序列异常的可视化和文本解释。

AcME-AD方法通过本地特征重要性评分和what-if分析工具，提升数据异常检测模型的解释性和可靠性。

研究提出将反事实解释用于假设分析，提供关于故障原因及修复建议的洞见，启发复杂系统的未来研究。