FlowCF: Sparse Counterfactual Explanations for Mixed-Type Tabular Data using Flow Matching

📄 arXiv: 2610.08537v1 📥 PDF

作者: Emmanouil Panagiotou, Eirini Ntoutsi

分类: cs.LG, cs.AI

发布日期: 2026-10-06

备注: Accepted at the NeurIPS 2026 Geometric Distributional Deep Learning (GDDL) Workshop

💡 一句话要点

提出FlowCF以解决混合类型表格数据的稀疏反事实解释问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 反事实解释 可解释人工智能 稀疏性 流匹配 混合特征 生成模型 机器学习

📋 核心要点

  1. 现有的反事实解释方法在处理数值特征时存在稀疏性和接近性不足的问题，限制了其实用性。
  2. 本文提出FlowCF，通过将反事实生成视为稀疏传输，利用流匹配技术处理混合特征类型。
  3. 在六个基准数据集上的实验结果显示，FlowCF在数值稀疏性和接近性方面显著优于现有基线方法。

📝 摘要（中文）

在可解释人工智能（XAI）领域，反事实（CF）解释通过建议输入的变化来解释模型决策，以实现更有利的结果。有效的解释应尽量少改变特征且变化幅度小，这被称为稀疏性和接近性。现有方法在这方面存在局限，尤其是对数值特征而言。本文提出FlowCF，一种模型无关的生成方法，将CF生成视为从事实类到目标类的稀疏传输。我们通过流匹配解决这一传输问题，并引入新颖的混合流操作符以处理混合特征类型，利用结果几何结构通过门控网络优化稀疏性。大量实验表明，FlowCF在数值稀疏性和接近性方面表现最佳，改变29%的数值特征，而最佳基线则改变89%，且位移小70%，在其他指标上保持可比性。

🔬 方法详解

问题定义：本文旨在解决现有反事实解释方法在处理混合类型表格数据时的稀疏性和接近性不足的问题。现有方法在数值特征的处理上表现不佳，导致解释不够简洁和有效。

核心思路：FlowCF的核心思路是将反事实生成视为从事实类到目标类的稀疏传输，通过流匹配技术来实现这一过程。该方法设计旨在最大限度地减少特征的变化，同时保持解释的有效性。

技术框架：FlowCF的整体架构包括数据预处理、流匹配模块和门控网络。流匹配模块负责实现特征的稀疏传输，而门控网络则优化特征变化的数量和幅度。

关键创新：FlowCF的主要创新在于引入了新颖的混合流操作符，使得流匹配能够处理混合特征类型。这一创新使得方法在稀疏性和接近性方面显著优于现有技术。

关键设计：在关键设计上，FlowCF采用了特定的损失函数来平衡稀疏性和接近性，同时在网络结构中引入了门控机制，以控制特征变化的数量和幅度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FlowCF在数值稀疏性方面仅改变29%的数值特征，而最佳基线方法则改变了89%的特征，且FlowCF的位移量小70%。在其他指标上，FlowCF与现有方法保持了良好的可比性，显示出其优越性。

🎯 应用场景

FlowCF的研究成果在金融、医疗和社会科学等领域具有广泛的应用潜力，能够帮助决策者理解模型决策背后的原因，并提供可操作的建议。未来，该方法可能推动更高效的可解释AI系统的开发，提升模型透明度和用户信任度。

📄 摘要（原文）

In the field of Explainable AI (XAI), counterfactual (CF) explanations interpret a model's decision by suggesting the changes to the input that would lead to a more favourable outcome. To be useful in practice, such an explanation should change few features and change them as little as possible, properties known as sparsity and proximity. We observe that existing methods remain limited in this respect, especially for numerical features, whether they are model-agnostic and amortised, or gradient-based with full access to the model. In this paper, we propose FlowCF, a model-agnostic generative method that frames CF generation as sparse transport from the factual to the target class. We solve this transport with flow matching, which we extend to mixed feature types with a novel mixed flow operator, and exploit the resulting geometry to optimise for sparsity through a gating network that minimises the number of features the transport changes. Extensive experiments on six benchmark datasets demonstrate that FlowCF produces the best numerical sparsity and proximity, changing 29% of the numerical features where the best baseline changes 89%, at 70% smaller displacement, while remaining comparable on the other desiderata.