構造に敏感なリユーロック強度の対角的なガウシアンネットワーク分類器型の反論可能な説明法

説明人工知能（XAI）を広く使用されている因果推測およびモデル決定の理解と対策に関する説明のための重要なテクニックであり、カウンターフィアシブな経解（CE）は。この作品では、CGNCが生成的な構造を持っていることを基礎に基づいた反論可能な探索法が、条件ガウスネットワーク分類器 (CGNC) を利用しています。それは、連続の依存関係と特異的な因果関係を持つ制御可能で正則なグラフ（DAG）が含まれていてです。 CGNCの形成は、モデルの構造的仮定との一貫性を確保するための追加的なコントロールを必要とせずに個々の特徴間の関係を自然に組み込みます。我々は敵対化した最適化フレームワークとして、結束保証された切断するセットプロセスを取り入れることによって共有します。これが局所的な強度が変動するための近似解を作成するためにイテレーションで解を近付けています。 各特徴間の連合関係由来の非凸の二乗構造に応じて、我々はペースウェイク・メアチックリラクションを使用して、問題をミックスインターベンチャー線形プログラム（MILP）に改変します。これによりグローバル最適性が保証されます。 これらの実験結果は、我々の方法は強力な強度を持っていることを示せ、原始的な構成の直接的で最も安定性と効率を提供する統一する最適化があります。提案したフレームワークは、より複雑な制約設定への拡張により、非凸二乗構造形式に向けた対応可能なカウンターフィアシブ認識の未来の進歩を打ち出す地盤となります。

arXiv:2602.08021v1 Announce Type: new Abstract: Counterfactual explanation (CE) is a core technique in explainable artificial intelligence (XAI), widely used to interpret model decisions and suggest actionable alternatives. This work presents a structure-aware and robustness-oriented counterfactual search method based on the conditional Gaussian network classifier (CGNC). The CGNC has a generative structure that encodes conditional dependencies and potential causal relations among features through a directed acyclic graph (DAG). This structure naturally embeds feature relationships into the search process, eliminating the need for additional constraints to ensure consistency with the model's structural assumptions. We adopt a convergence-guaranteed cutting-set procedure as an adversarial optimization framework, which iteratively approximates solutions that satisfy global robustness conditions. To address the nonconvex quadratic structure induced by feature dependencies, we apply piecewise McCormick relaxation to reformulate the problem as a mixed-integer linear program (MILP), ensuring global optimality. Experimental results show that our method achieves strong robustness, with direct global optimization of the original formulation providing especially stable and efficient results. The proposed framework is extensible to more complex constraint settings, laying the groundwork for future advances in counterfactual reasoning under nonconvex quadratic formulations.