ScholarGate
Assistant
Machine learningExplainable AI

Explications contrefactuelles

Les explications contrefactuelles, introduites par Wachter, Mittelstadt et Russell en 2017, répondent à la question : « Quel est le changement minimal apporté à l'entrée qui aurait produit une sortie différente du modèle ? » Plutôt que d'expliquer pourquoi un modèle a pris une décision, elles décrivent ce qui devrait changer pour que cette décision soit inversée, ce qui les rend particulièrement précieuses pour les applications à enjeux élevés telles que la notation de crédit, le diagnostic médical et les décisions d'embauche dans le cadre du RGPD européen.

Ouvrir dans MethodMindBientôtVidéoBientôtTélécharger les diapositives

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Carte des méthodes

Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.

Sources

  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

Comment citer cette page

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

Quelle méthode ?

Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.

Comparer côte à côte

Référencée par

ScholarGateCounterfactual Explanations (Counterfactual Explanations). Consulté le 2026-06-15 sur https://scholargate.app/fr/machine-learning/counterfactual-explanations · Jeu de données : https://doi.org/10.5281/zenodo.20539026