Spiegazioni delle Reti Neurali tramite Cause Effettive di Halpern-Pearl

Un recente articolo su arXiv (2608.03772) affronta il problema di chiarire le previsioni delle reti neurali quando le caratteristiche di input presentano dipendenze. I ricercatori definiscono le spiegazioni in termini di cause effettive di Halpern-Pearl (HP), utilizzando Modelli Causali Strutturali Booleani (SCM) per rappresentare queste dipendenze di input. Impiegano metodi di propagazione dei limiti e branch-and-bound per derivare le cause HP, garantendo completezza e minimalità formali. I loro esperimenti dimostrano significativi miglioramenti di scalabilità rispetto alle baseline brute-force e ILP, nonché prestazioni superiori rispetto alle ricerche euristiche all'aumentare delle dimensioni dei grafi. L'approccio identifica tutte le cause effettive minimali in spazi di ricerca che raggiungono fino a 2,3×10^13 coppie candidate (causa, contingenza) su SCM con un massimo di 28 nodi in modo tempestivo. Questa ricerca aiuta a sviluppare un'IA affidabile fornendo spiegazioni più precise per input strutturati.