SCE-LITE-HQ: Skalierbare Gegenfaktische Erklärungen mit generativen Modellen

Neuer Ansatz SCE‑LITE‑HQ nutzt vortrainierte generative Basismodelle, um Gegenfaktische Erklärungen (CFEs) in hochdimensionalen Bilddaten zu erzeugen, ohne dass für jede Aufgabe ein eigenes Modell trainiert werden muss. Durch die Arbeit im latenten Raum des Generators und die Einbindung geglätteter Gradienten wird die Optimierung stabiler und effizienter gestaltet.

Der Algorithmus kombiniert zudem eine maskenbasierte Diversifikation, die realistische und strukturell vielfältige Gegenfaktische Bilder hervorbringt. Im Gegensatz zu bisherigen Methoden, die oft auf datenspezifische Generatoren angewiesen sind und hohe Rechenkosten verursachen, spart SCE‑LITE‑HQ erheblich an Ressourcen, da keine zusätzliche Trainingsphase nötig ist.

In umfangreichen Tests auf natürlichen und medizinischen Datensätzen zeigte sich, dass SCE‑LITE‑HQ valide, realistische und vielfältige Gegenfaktische Erklärungen liefert, die mit bestehenden Baselines konkurrieren oder diese sogar übertreffen. Die Ergebnisse wurden anhand eines desiderata‑getriebenen Evaluationsprotokolls bewertet, das die Qualität, Realitätsnähe und Diversität der erzeugten Bilder misst.

Mit dieser skalierbaren Lösung eröffnet SCE‑LITE‑HQ neue Möglichkeiten für die erklärbare KI in Bereichen, in denen hochauflösende Bilddaten und schnelle Interpretierbarkeit entscheidend sind, ohne dabei die Effizienz zu opfern.