信用承認における妥当な反事実説明のための局所異常因子モデリングを用いた制約緩和MILP
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19504v1 発表種別：新規
概要：反実仮想説明（CE）は、機械学習モデルからの不利な予測を変えるための実行可能な変更を個人に提供する、広く使用されている事後分析手法です。妥当なCE手法はデータ分布特性を考慮することで現実性を向上させますが、その最適化モデルは多数の制約を導入し、高い計算コストにつながります。本研究では、DACEフレームワークを再検討し、局所異常値因子（LOF）目的成分における制約数を大幅に削減する改良型混合整数線形計画法（MILP）定式化を提案します。また、標準化器付き線形SVM分類器に本手法を適用します。実験結果は、本アプローチが説明品質を維持しながら、より高速な解法時間を実現することを示しています。これらの結果は、反実仮想説明およびデータサイエンスアプリケーションにおける、より効率的なLOFモデリングの可能性を示しています。
原文（英語）を表示
Title (EN): Constraint-Reduced MILP with Local Outlier Factor Modeling for Plausible Counterfactual Explanations in Credit Approval
arXiv:2509.19504v1 Announce Type: new
Abstract: Counterfactual explanation (CE) is a widely used post-hoc method that provides individuals with actionable changes to alter an unfavorable prediction from a machine learning model. Plausible CE methods improve realism by considering data distribution characteristics, but their optimization models introduce a large number of constraints, leading to high computational cost. In this work, we revisit the DACE framework and propose a refined Mixed-Integer Linear Programming (MILP) formulation that significantly reduces the number of constraints in the local outlier factor (LOF) objective component. We also apply the method to a linear SVM classifier with standard scaler. The experimental results show that our approach achieves faster solving times while maintaining explanation quality. These results demonstrate the promise of more efficient LOF modeling in counterfactual explanation and data science applications.
Published: 2025-09-24 19:00 UTC