ScholarGate
Асистент
Machine learningExplainable AI

Контрафактуални обяснения

Контрафактуалните обяснения, въведени от Вахтер, Мителщат и Ръсел през 2017 г., отговарят на въпроса: „Каква е най-малката промяна във входа, която би довела до различен изход от модела?“ Вместо да обясняват защо моделът е взел решение, те описват какво трябва да се промени, за да се обърне това решение, което ги прави особено ценни за високорискови приложения като кредитно скориране, медицинска диагностика и решения за наемане на работа в рамките на системи като Общия регламент за защита на данните на ЕС.

Отворете в MethodMindСкороВидеоСкороИзтегляне на слайдове

Прочетете целия метод

Само за членове

Влезте с безплатен профил, за да прочетете този раздел.

Вход

Карта на методите

Обкръжението на сродните методи — изберете възел, за да го разгледате.

Източници

  1. Wachter, S., Mittelstadt, B., & Russell, C. (2017). Counterfactual explanations without opening the black box: Automated decisions and the GDPR. Harvard Journal of Law & Technology, 31, 841–887. link

Как да цитирате тази страница

ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/bg/machine-learning/counterfactual-explanations

Кой метод?

Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.

Сравняване едно до друго

Цитиран в

ScholarGateCounterfactual Explanations (Counterfactual Explanations). Извлечено на 2026-06-15 от https://scholargate.app/bg/machine-learning/counterfactual-explanations · Набор от данни: https://doi.org/10.5281/zenodo.20539026