Counterfactual Explanation（反事实解释）

反事实解释源于心理学和哲学中的因果推理，近年来被引入机器学习可解释性领域。其核心思想是寻找与原始输入最接近的、但能导致模型预测发生期望变化的样本。技术实现上，通常通过优化方法在输入空间搜索满足约束的反事实样本，同时要求其与原始样本的距离最小且保持合理性。常见方法包括基于梯度的优化、遗传算法和生成模型。该技术能提供直观的“如果-那么”解释，帮助用户理解模型决策边界，并已应用于金融风控、医疗辅助诊断和自动驾驶等领域。