PACE：一个面向可行且可操作反事实解释的神经符号框架
2026年7月1日，一篇题为《PACE: A Neuro-Symbolic Framework for Plausible and Actionable Counterfactual Explanations》的论文提交至 arXiv，归类于人工智能（cs.AI）领域，作者包括 Pavel Iakovets 等共四位研究者，提交人为 Fadi Al Machot。论文以预印本形式发布（arXiv:2607.01306v1），并附有 DOI 链接。
论文关注的是可解释人工智能中的一个核心问题：反事实解释。所谓反事实解释，是指通过寻找能够改变模型判断的最小输入改动，来说明机器学习模型为何做出某一预测。这类解释直观易懂，因而被广泛用于帮助用户理解模型行为。然而，作者指出，尽管现有许多方法确实能够生成“改变预测”的替代方案，但由于缺乏显式机制来纳入领域知识和干预约束，它们往往给出不现实或不可执行的建议。例如，模型可能建议用户去改变一些实际上无法改变或不应改变的个人属性。
为解决这一难题，论文提出利用神经符号人工智能的思路，将数据驱动的预测模型与符号推理结合起来。符号推理能够表达人类可理解的规则以及可行的行动，从而弥补纯数据驱动方法在现实约束上的不足。
基于这一思路，作者提出了 PACE——一个模块化的神经符号框架，用于生成具备可行性意识的反事实解释。该框架的核心设计是将预测与推理分离为两个组件：一个用于分类的神经预测模型，以及一个在反事实生成过程中强制执行领域特定约束的符号推理层。通过对可行干预进行显式建模，框架能够在保持解释可理解、可操作的同时，使其与领域知识保持一致。作者强调，该方法与具体模型无关，可适配于需要现实决策支持的各类领域。
论文通过 Adult Income（成人收入）数据集开展案例研究。实验中，研究者将多层感知机分类器与答案集编程（Answer Set Programming，ASP）规则相结合，用符号规则编码对教育、职业和工作时长等属性的可行修改，同时保持不可变属性不变。这一设置体现了框架如何在生成反事实时兼顾数据驱动预测与领域可行性约束。
研究结果揭示了反事实有效性与合理性之间的权衡关系，并表明符号约束能够生成更满足领域特定可行性要求的解释。作者认为，这一结果展示了神经符号方法在可解释人工智能中实现透明、具备可行性意识的反事实解释方面的潜力。该工作属于 cs.AI 方向，论文全文可通过 arXiv 以 PDF、实验性 HTML 及 TeX 源码等形式获取。