该研究提出了一种无需领域知识的框架，生成可行的反事实序列，优于传统方法。LORELEY技术在业务流程监控中提供可解释的反事实解释。文章综述了反事实解释的研究进展，探讨了算法设计和评估方法，强调了解释机器学习模型的重要性。

本文综述Shapley值在机器学习解释中的进展，包括ShapNets实现层次化快速解释、高斯过程方法量化解释不确定性、FAE框架提供置信区间与对比解释，以及条件期望估计、相关特征处理、多项式时间逼近和非对称Shapley值等研究，用于提升可解释性与公平性检测。