ScholarGate
Ассистент
Machine learningExplainable AI

Контрфактические объяснения

Контрфактические объяснения, введенные Вахтером, Миттельштадтом и Расселом в 2017 году, отвечают на вопрос: «Каково минимальное изменение входных данных, которое привело бы к другому выходному результату модели?» Вместо того чтобы объяснять, почему модель приняла решение, они описывают, что должно измениться, чтобы это решение было отменено, что делает их особенно ценными для приложений с высокими ставками, таких как кредитный скоринг, медицинская диагностика и решения о найме в рамках таких нормативных актов, как Общий регламент ЕС по защите данных (GDPR).

Открыть в MethodMindСкороВидеоСкороСкачать слайды

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Карта метода

Окружение родственных методов — выберите узел, чтобы перейти к нему.

Источники

  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 цитировать эту страницу

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

Какой метод?

Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.

Сравнить рядом

Упоминается в

ScholarGateCounterfactual Explanations (Counterfactual Explanations). Получено 2026-06-15 из https://scholargate.app/ru/machine-learning/counterfactual-explanations · Набор данных: https://doi.org/10.5281/zenodo.20539026