CausalCERTIFAI: counterfactual explanations with causal consistency
CausalCERTIFAI: nedensel tutarlılığa sahip karşı olgusal açıklamalar
- Tez No: 1008026
- Danışmanlar: PROF. SÜREYYA AKYÜZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, tabular makine öğrenimi modelleri için nedensel farkındalığa sahip bir karşıolgusal açıklama yöntemi olan CausalCERTIFAI'yi önermektedir. Yöntem, nedensel keşfi kısıt-farkındalıklı genetik arama ile birleştirerek, istenen tahmini elde ederken, öğrenilen nedensel yapıyı koruyan uygulanabilir karşıolgusallar üretir. Karar ağaçları, XGBoost ve LightGBM kullanılarak birden fazla sınıflandırma veri kümesi üzerinde, nedensel kısıtlar etkin ve devre dışı iken karşıolgusallar karşılaştırılmıştır. Sağlamlık ve adalet CERScore ve NCERScore ile değerlendirilmiş, verimlilik ise test örneği başına çalışma süresi üzerinden analiz edilmiştir. Nedenselliğin uygulanması, normalize edilmiş karşıolgusal mesafeyi artırarak daha kısıtlı ancak yapısal olarak daha tutarlı sonuçlar ortaya koymakta; en büyük etkiler yüksek boyutlu verilerde gözlenmektedir.
Özet (Çeviri)
This thesis proposes CausalCERTIFAI, a causality-aware counterfactual explanation framework for tabular models. It combines causal discovery with constraint-aware genetic search to generate feasible counterfactuals that achieve a desired prediction while preserving learned causal structure. Experiments on multiple classification datasets with decision trees, XGBoost, and LightGBM compare counterfactual generation with and without causal constraints. Robustness and fairness are evaluated using CERScore and NCERScore, and efficiency is assessed via runtime per test instance. Enforcing causality increases normalized counterfactual distance, indicating more constrained but more coherent recourse, with the largest effects in higher-dimensional data.