ScholarGate
Assistent
Machine learningExplainable AI

Kontrafaktische Erklärungen

Kontrafaktische Erklärungen, eingeführt von Wachter, Mittelstadt und Russell im Jahr 2017, beantworten die Frage: 'Was ist die kleinste Änderung am Input, die zu einer anderen Modell-Ausgabe geführt hätte?' Anstatt zu erklären, warum ein Modell eine Entscheidung getroffen hat, beschreiben sie, was sich ändern müsste, damit diese Entscheidung umgekehrt wird, was sie besonders wertvoll für Anwendungen mit hohen Einsätzen wie Kredit-Scoring, medizinische Diagnostik und Einstellungsprozesse im Rahmen der EU-DSGVO macht.

In MethodMind öffnenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Method map

The neighbourhood of related methods — select a node to explore.

Quellen

  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

So zitieren Sie diese Seite

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

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Referenziert von

ScholarGateCounterfactual Explanations (Counterfactual Explanations). Abgerufen am 2026-06-15 von https://scholargate.app/de/machine-learning/counterfactual-explanations · Datensatz: https://doi.org/10.5281/zenodo.20539026