设想你经营着一家叫“甜度研究所”的烘焙工作室，昨天刚烤出一只完美的巧克力熔岩蛋糕。今天，一位好奇心旺盛的客人问：“如果当时少放10克糖，它还会这么好吃吗？”普通厨房只能让你耸肩猜测，但你的工作台上有台神奇的“平行时空烤箱”——只要设定好这个“如果”，它就真的会烤出一个少糖版的蛋糕，摆在盘子里供你品尝。这个少糖版蛋糕，就是“反事实样本”。 在AI的世界里，“蛋糕”可以是任意一条数据：一份贷款申请、一张肺部CT、一份用户画像。“少放10克糖”就是对特征的干预：把月收入调高2000元、把负债率降到40%。而“平行时空烤箱”就是反事实生成模型——它不满足于“预测未来”，还能“改写过去”，生成一个个看得见、摸得着的具体样本。本文从咖啡杯旁的概念讲起，途经因果配方、三步法、GAN对抗训练，最后落到信贷、医疗、推荐系统的真实场景，全程用这台烤箱带你走完反事实样本生成的完整旅程。

岗位关联

掌握反事实生成，是AI工程师从“会预测”走向“会解释”的分水岭。它让你能为黑箱模型写出“人话”建议，也是可解释AI、个性化推荐、医疗辅助决策等落地场景中最稀缺的硬技能之一。

目录
  1. 可视化演示
  2. 基本概念
  3. 因果根基
  4. 三步法原理
  5. 生成算法
  6. 质量评估
  7. 挑战难题
  8. 实际应用
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示反事实推理三步法（ abduction-action-prediction）、深度生成模型反事实生成流程、以及反事实解释在可解释AI中的最小改变翻转应用。

本节配有交互动效（进入视口后自动加载，约 3KB）。

SCM反事实推理三步法 Abduction推断外生变量 Action施加do干预 Y_x\'(u) 三步法在结构因果模型中推导反事实结果。

基本概念

客人问“如果少放糖会怎样”，普通厨房只能让你猜；而平行时空烤箱能端出一只真的少糖蛋糕——这就是反事实样本最朴素的模样。它不满足于回答“更多人喜欢少糖还是多糖”（统计规律），而是要针对“这一块蛋糕”，烤出一个具体的“如果版”。

在AI中，反事实样本的定义远比“加噪声再预测”严谨。给定一个个体 \( u \)（某位具体申请人），设 \( X \) 为特征（月收入），\( Y \) 为结果（是否获批）。反事实问的是：同一个 \( u \)，如果 \( X \) 当初不是 \( x' \) 而是 \( x \)，\( Y \) 会取什么值？这不同于条件概率 \( P(Y \mid X=x) \)——后者是在“观察到收入为 \( x \) 的人群”里看结果，前者是在“同一个人”身上做思想实验。

理解了这一定义，你就明白为什么反事实生成是“可解释AI”的基石：它能针对每个具体的人，给出“如果你改变某几个条件，结局就会不同”的个性化回答。

P(YX=x=y  |  X=x′,  Y=y′)P\left(Y_{X=x} = y \;\middle|\; X=x',\; Y=y'\right)
这个式子读作：在已知“这个人收入是 \( x' \) 且被拒”的前提下，如果收入变成 \( x \)，他获批 \( y \) 的概率。它把“如果”从形容词变成了可计算、可验证的数学对象。
  1. 结果变量 \( Y \)要预测的结果，如“贷款是否获批”。
    YY
  2. 反事实干预 \( X=x \)设定的新值，如“收入 = 10000 元”。
    X=xX = x
  3. 观测证据 \( X=x',\;Y=y' \)现实中已发生的事实，如“收入 8000 且被拒”。
    X=x′,Y=y′X = x',\quad Y = y'
  4. 整体条件概率在已知证据下，反事实结果的概率分布。
    P(YX=x=y∣X=x′,  Y=y′)P\left(Y_{X=x} = y \mid X=x',\; Y=y'\right)

因果根基

平行时空烤箱要烤出可信的少糖蛋糕，必须先懂一件事：糖在蛋糕里不是孤立存在的。少放10克糖，鸡蛋比例会失衡，烘烤时间可能要缩短，泡打粉用量也得微调。这张“原料因果网”才是配方的灵魂。如果你只把糖拿掉、其他一律不动，烤出来的很可能是个塌陷的失败品。

AI做反事实时同样需要这张“因果网”，也就是结构因果模型（SCM）。它由三部分组成：因果图（谁影响谁的有向无环图）、结构方程（每个变量如何由父节点和噪声算出）、外生变量（个体间无法观测的差异，比如这位申请人的还款习惯）。干预用 do 算子 表示：\( do(X=x) \) 不是“观察到 X=x”，而是切断所有指向 \( X \) 的连边，强制把 \( X \) 定为 \( x \)。

有了这张因果网，平行时空烤箱就明白了：减糖的同时要把烘烤时间调短一点。反事实生成中的每一次改动，都不是单点操作，而是顺着因果链“牵一发而动全身”的联动调整。

P(Y=y∣do(X=x))=∑zP(Y=y∣X=x,  Z=z)  P(Z=z)P(Y=y \mid do(X=x)) = \sum_{z} P(Y=y \mid X=x,\; Z=z) \; P(Z=z)
这就是后门调整公式：当存在同时影响 \( X \) 和 \( Y \) 的混杂变量 \( Z \)（如“烤箱品牌”既影响你减糖的偏好，也影响蛋糕成败）时，要通过按 \( Z \) 分层求加权平均，才能得到真实的因果效应。
  1. 干预 \( do(X=x) \)强制 \( X \) 取值为 \( x \)，切断其上游影响。
    do(X=x)do(X = x)
  2. 混杂变量 \( Z \)同时影响 \( X \) 与 \( Y \) 的第三方变量。
    Z=zZ = z
  3. 每层条件概率在 \( Z=z \) 这一层内，\( X \) 对 \( Y \) 的作用不再受混杂干扰。
    P(Y=y∣X=x,  Z=z)P(Y = y \mid X = x,\; Z = z)
  4. 按 \( Z \) 加权求和以 \( P(Z=z) \) 为权重，把各层因果效应合并为总效应。
    ∑zP(Z=z)⋅P(Y=y∣X=x,  Z=z)\sum_{z} P(Z=z) \cdot P(Y=y \mid X=x,\; Z=z)

三步法原理

平行时空烤箱烤“如果版”蛋糕的完整流程，不是一键完成的，它内部有三道精密工序：先回想上次烤蛋糕时的室温、面粉湿度（隐藏状态）；再动手把糖从100克改成80克（干预）；最后结合状态与改动，推算出成品会是什么样（预测）。这正是 Pearl 反事实推理的三步法。

第一步「外推」（Abduction）：用现实中观察到的证据 \( X=x',\;Y=y' \) 去反推无法观测的外生变量 \( U \) 的后验分布。第二步「行动」（Action）：把干预 \( do(X=x') \) 施加到因果模型上。第三步「预测」（Prediction）：在外推得到的 \( U \) 和新结构下，重新计算 \( Y \) 的值。三步合起来，才真正回答“如果当时……”。

三步法就像烤箱里的机械臂序列：先“读取记忆”，再“转动旋钮”，最后“读出成品参数”。顺序一旦颠倒——比如先预测再外推——就会把“观察到”和“干预”混为一谈，烤出错误的假设。

P(YX=x′=y∣X=x′,  Y=y′)=∑uP(Y=y∣X=x′,  U=u)  P(U=u∣X=x′,  Y=y′)P\left(Y_{X=x'} = y \mid X=x',\; Y=y'\right) = \sum_{u} P\left(Y = y \mid X = x',\; U = u\right) \; P\left(U = u \mid X = x',\; Y = y'\right)
这个公式把“反事实概率”拆解为两步的乘积再求和：先在外推项 \( P(U=u \mid \text{证据}) \) 中推断隐藏状态的可信度，再在预测项 \( P(Y=y \mid X=x', U=u) \) 中计算该状态下干预后的结果，最后按可信度加权。
  1. 外推项 \( P(U=u \mid X=x',\;Y=y') \)用“蛋糕烤砸了”的事实，反推出“室温可能太高”这类隐藏原因的后验概率。
    P(U=u∣X=x′,  Y=y′)P(U = u \mid X = x',\; Y = y')
  2. 行动 \( do(X=x') \)把配方中的糖强制改为新值，切断原有父节点影响。
    do(X=x′)do(X = x')
  3. 预测项 \( P(Y=y \mid X=x',\;U=u) \)在干预后的结构里，给定隐藏状态 \( u \)，算出新结果。
    P(Y=y∣X=x′,  U=u)P(Y = y \mid X = x',\; U = u)
  4. 对 \( u \) 加权求和所有可能的隐藏状态按外推置信度加权，得到反事实结果的平均概率。
    ∑u(预测项)×(外推项)\sum_{u} \text{(预测项)} \times \text{(外推项)}

生成算法

手工推导三步法，就像让人工智能“心算”每一个“如果”，在高维世界里根本行不通。于是你请了两位员工：刚入行的新学徒负责“烤假设蛋糕”，脾气挑剔的试吃员负责“拆台”。学徒每烤一只新蛋糕，试吃员都要分辨“这是真蛋糕还是你瞎烤的”。学徒被批评得越多，烤得越逼真——这就是生成对抗网络（GAN）的博弈思路。

GAN 由生成器 \( G \) 和判别器 \( D \) 组成。\( G \) 从随机噪声 \( z \) 生成样本；\( D \) 判断输入是真实样本还是生成的。两者玩一个极小极大博弈。但标准的 GAN 只会“无中生有”，不会“定向修改”。要做反事实生成，必须额外添加反事实约束：让 \( G \) 在生成时以某个原始样本为锚点，生成的样本既要接近原样本，又要被目标分类器判为目标类别。

学徒和试吃员的“猫鼠游戏”最终会达成一种平衡：学徒学会了“定向微调”。你告诉它“这块蛋糕要像昨天那块，但口味偏苦”，它就能烤出一块改动最小、又确实变苦的平行时空蛋糕。潜在空间搜索和循环一致性约束还能进一步提升生成的效率与语义保真度。

L=Ex∼pdata[log⁡D(x)]+Ez∼pz[log⁡(1−D(G(z)))]+λ  Ex[∥G(z′)−x∥1]\mathcal{L} = \mathbb{E}_{x \sim p_{data}}\left[\log D(x)\right] + \mathbb{E}_{z \sim p_z}\left[\log\left(1 - D(G(z))\right)\right] + \lambda \; \mathbb{E}_x\left[\left\|G(z') - x\right\|_1\right]
前两项是标准 GAN 的对抗损失：试吃员想识破假蛋糕，学徒想骗过试吃员。最后一项是反事实锚定项：即使生成的是“少糖版”，它也必须长得像原来的那块蛋糕——改动要小，不能借“反事实”之名烤出个面包。
  1. 真样本对数项 \( \log D(x) \)试吃员对真蛋糕给出高分的概率。
    Ex∼pdata[log⁡D(x)]\mathbb{E}_{x \sim p_{data}}\left[\log D(x)\right]
  2. 假样本对数项 \( \log(1 - D(G(z))) \)试吃员识破假蛋糕时，学徒要承受的“批评”。
    Ez∼pz[log⁡(1−D(G(z)))]\mathbb{E}_{z \sim p_z}\left[\log\left(1 - D(G(z))\right)\right]
  3. 反事实锚定项 \( \|G(z') - x\|_1 \)强制生成样本离原样本足够近，曼哈顿距离保证稀疏改动。
    ∥G(z′)−x∥1\left\|G(z') - x\right\|_1
  4. 权重 \( \lambda \)调节“骗过试吃员”和“保持与原样本接近”两个目标的侧重。
    λ\lambda

质量评估

烤箱推出后，客人们问：“怎么判断一台平行时空烤箱烤得好不好？”你定了两条硬规矩：第一，试吃一口，确实变味了——这是有效性；第二，它看起来、摸起来还是同一款蛋糕，而不是变成了马卡龙——这是稀疏性。此外，如果同一块“如果版”能给出多种做法，也值得加分——即多样性。

在学术与工程界，反事实样本的质量评估正是围绕这几个维度展开。有效性要求分类器 \( f \) 对反事实样本 \( x' \) 的预测等于目标类别 \( y_{target} \)；稀疏性用 \( x' \) 与原始样本 \( x \) 的 L1 距离衡量；多样性鼓励一组反事实方案之间彼此不同；可行性则排除“年龄减少10岁”这类现实中无法执行的特征改动。

把验收标准贴在烤箱上，客人一看就懂：改动越少越好，口味必须真的变。工程实践中，这套评分体系既用于筛选候选反事实，也作为训练生成模型时的奖励信号。

Cost(x′)=∥x′−x∥1+λ⋅1[f(x′)≠ytarget]\text{Cost}(x') = \left\|x' - x\right\|_1 + \lambda \cdot \mathbb{1}\left[f(x') \neq y_{target}\right]
这个代价函数是反事实搜索的“验收标准”：前半段衡量改动总量，后半段用指示函数惩罚未达到目标类别的方案。最小化它，就是在“有效”和“稀疏”之间找平衡。
  1. L1 距离 \( \|x' - x\|_1 \)各特征改动绝对值的总和，“动了多少”。
    ∥x′−x∥1\left\|x' - x\right\|_1
  2. 指示函数 \( \mathbb{1}[\cdot] \)条件不满足时取 1，满足时取 0。
    1[f(x′)≠ytarget]\mathbb{1}\left[f(x') \neq y_{target}\right]
  3. 惩罚权重 \( \lambda \)对“没达标”的容忍程度。
    λ\lambda
  4. 整体代价最小化候选方案越好，Cost 越低。
    Cost(x′)\text{Cost}(x')

挑战难题

平行时空烤箱也不是完美的。当配方涉及几十种原料、上百道工序时，烤箱开始犯迷糊：有时烤出的“少糖蛋糕”压根不像蛋糕，有时为了“像”而根本没减糖，有时算一次改动要几天几夜。这正是高维反事实生成遇到的真实困难：维度灾难让距离度量失真，分布外漂移让模型预测不可靠，训练成本让生成模型难以落地。

维度灾难可以用一个极限公式直观展示：当特征维度 \( n \) 趋向无穷大时，任意两点间的最大距离与最小距离之比趋近于 1。这意味着在高维空间里“最近的邻居”和“最远的点”几乎没有差别，优化器难以分辨哪个方向才是“改动最小”的方向。

除了维度灾难，分布外漂移是另一个坑：反事实搜索可能把样本推到训练数据覆盖范围之外，模型在这片“无人区”的预测纯粹是在瞎猜。克服这些难题，需要引入流形约束、可信度校准、以及更高效的搜索策略。

lim⁡n→∞dmax⁡−dmin⁡dmin⁡=0\lim_{n \to \infty} \frac{d_{\max} - d_{\min}}{d_{\min}} = 0
想象你在一个越来越大的厨房里找“和这袋面粉最像的另一袋面粉”：货架上的面粉越来越多，彼此之间的差异却越来越难分辨，最后所有面粉看起来都差不多。
  1. 维度 \( n \)样本特征的数量。
    nn
  2. \( d_{\max} \) 与 \( d_{\min} \)样本集中最远距离与最近距离。
    dmax⁡,  dmin⁡d_{\max},\; d_{\min}
  3. 比值趋近于 0距离差 \((d_{\max} - d_{\min})\) 相对 \( d_{\min} \) 可忽略，“最近邻”失去意义。
    dmax⁡−dmin⁡dmin⁡→0\frac{d_{\max} - d_{\min}}{d_{\min}} \to 0

实际应用

平行时空烤箱真正“回本”，是当你开始用它服务客人时。每位客人都有自己独特的“如果”：被拒贷的小李想知道“怎么改才能批”，医生想知道“哪个指标该先控”，视频平台想知道“用户变什么样会更喜欢这部电影”。反事实样本生成，正是把这些问题变成看得见的具体样本。

在信贷场景中，反事实解释可以形式化为一个有约束的优化问题：对原始申请样本 \( x \)，找到改动最小的 \( x' \)，使得模型预测 \( f(x') \) 等于目标类别 \( y_{target} \)（获批）。求解这个优化问题，就得到一句可执行的“人话”建议：“把你的月收入提高2000元，负债率降到40%以下”。

当面包店老板只对你说“加点预算”，你可能一头雾水；但如果他端出一盘“换了一瓶更贵年份红酒、其他配菜不变”的晚宴样本摆在你面前，你立刻就知道该做什么了——反事实解释的力量，正是把抽象的“应该改变”变成具体的“这样改变”。

x′∗=arg⁡min⁡x′∥x′−x∥1s.t.f(x′)=ytargetx'^* = \arg\min_{x'} \|x' - x\|_1 \quad \text{s.t.} \quad f(x') = y_{target}
这个式子定义了“最省力的翻盘方案”：在所有能让模型改变主意的改动里，找那个改得最少、最容易被用户接受的。
  1. 原始样本 \( x \)当前被拒的贷款申请。
    xx
  2. 候选反事实 \( x' \)一套调整后的申请条件。
    x′x'
  3. argmin 最小化在满足约束的前提下挑选改动最小的方案。
    arg⁡min⁡x′∥x′−x∥1\arg\min_{x'} \|x' - x\|_1
  4. 约束 \( f(x') = y_{target} \)模型必须把调整后的申请判为目标类别。
    f(x′)=ytargetf(x') = y_{target}

AI 应用场景

金融信贷：给拒贷用户一份“可执行说明书”

阶段：模型部署与解释

解决的问题：传统信贷模型只输出“拒绝”两个冷冰冰的字，用户不知道改什么、怎么改，客服被问得焦头烂额。反事实生成能把“拒绝”翻译成“如果你的月收入提高2000元、信用卡负债率从60%降到40%，就会被批准”。

具体案例：某消费金融平台对接反事实生成模块后，对每位被拒申请人生成3个差异化的反事实方案（涨收入、降负债、减少近期征信查询），通过短信推送给用户。用户按建议调整后再次申请，二次通过率提升了23%，客诉量下降了15%。

医疗健康：把风险数值翻译成可干预的指标

阶段：模型推理与临床辅助

解决的问题：风险预测模型告诉医生“该患者10年心血管风险为高危”，却不告诉他干预哪些指标最有效。反事实生成可以为患者生成“如果版”体检指标样本，直接指出最省力的干预路径。

具体案例：对一位糖化血红蛋白8.2%、血压145/90的患者，反事实模型生成具体样本：“如果将HbA1c降至6.5%、收缩压降至135以下，你的10年心血管风险将从23%降至11%（低危）。”医生据此制定个性化管理计划，患者的依从性显著提升。

推荐系统：让“猜你喜欢”说出理由

阶段：模型训练与推荐解释

解决的问题：推荐系统说“你可能喜欢这部电影”却不说为什么，用户半信半疑。反事实生成可以“反转”用户画像，解释偏好转折的关键。

具体案例：某视频平台针对“不喜欢《星际穿越》”的用户生成反事实样本：“如果你对科幻题材的评分从2分提高到4分，这部影片的推荐分将进入前10。”用户看到的是“如果我对科幻更感兴趣，就会喜欢它”，推荐逻辑一目了然，用户可以主动修正自己的偏好标签。

Python 演示

python40 行
import numpy as npfrom sklearn.linear_model import LogisticRegression # 模拟贷款申请数据: [年龄, 月收入(千元), 负债率(%)]X_train = np.array([    [25, 8, 55], [30, 15, 30], [35, 20, 18],    [40, 26, 15], [45, 18, 25], [28, 10, 48],    [32, 22, 16], [50, 30, 10], [38, 16, 35], [42, 28, 12]])y_train = np.array([0, 1, 1, 1, 1, 0, 1, 1, 0, 1]) mean = X_train.mean(axis=0)std = X_train.std(axis=0)X_norm = (X_train - mean) / std model = LogisticRegression()model.fit(X_norm, y_train) def find_counterfactual(x_orig, target_class=1, max_steps=300, step_size=0.3):    x_cf = x_orig.copy().astype(float)    for _ in range(max_steps):        prob = model.predict_proba(x_cf.reshape(1, -1))[0][target_class]        if prob > 0.5:            break        grad = model.coef_[target_class]        if target_class == 0:            grad = -grad        x_cf += step_size * grad / np.linalg.norm(grad)    return x_cf rejected = np.array([24, 7, 52])rejected_norm = (rejected - mean) / stdcf_norm = find_counterfactual(rejected_norm, target_class=1)cf = cf_norm * std + mean print("原始申请样本:", rejected)print("模型预测类别:", model.predict(rejected_norm.reshape(1, -1))[0])print("反事实样本:", np.round(cf, 1))print("模型对新样本预测:", model.predict(cf_norm.reshape(1, -1))[0])print("需要改变的属性:", np.round(cf - rejected, 1))
目的：训练一个贷款审批逻辑回归模型，对一位“被拒”的申请人沿模型梯度方向迭代修改特征，直到模型预测翻转为“批准”，输出一个最小改动意义上的反事实样本。
  1. X_norm = (X_train - mean) / std对特征做标准化，让不同量纲（年龄、收入、负债率）在距离计算中公平可比
  2. model.fit(X_norm, y_train)训练逻辑回归分类器，作为“贷款审批模型”
  3. def find_counterfactual(...)反事实搜索函数，是“平行时空烤箱”的核心
  4. grad = model.coef_[target_class]用逻辑回归的权重向量作为梯度，它指向“让目标类概率上升最快”的方向
  5. x_cf += step_size * grad / np.linalg.norm(grad)沿梯度方向迈一小步，逐步修改样本特征
  6. if prob > 0.5: break一旦模型把样本判为目标类别，说明“翻盘成功”，立即停止修改
  7. rejected_norm = (rejected - mean) / std把真实申请样本按同样的标准化方式送入模型
  8. cf_norm * std + mean把反事实结果还原回原始量纲，输出用户看得懂的“修改建议”

常见误区

误区反事实样本看起来就是原始样本附近的一个点，所以初学者常以为“在原样本上加一点随机噪声，运气好就能得到反事实”。

正解加噪声是盲目的，反事实却是有方向的。它必须同时满足两个硬条件：有效性（模型对它的预测确为目标类别）和稀疏性（改动尽可能小）。随机扰动大多落在决策边界的同侧，只会生成“另一个被拒样本”，毫无解释价值。

为何常见：因为反事实和随机扰动在“看起来像原样本”这一点上有表面相似，让人忽略了背后是有因果和优化约束的。

误区学完 do 算子就觉得“我会做反事实推断了”，把因果推断和反事实生成等同起来。

正解do 算子回答的是“如果我们对所有人施加干预 X=x，期望结果是多少”，是群体层面的因果效应；反事实回答的是“这个具体的人，如果当初 X=x 会怎样”，是个体层面的思想实验。后者必须先结合这个人的观测证据做外推，难度高出一个量级。

为何常见：两者都出自 Pearl 的因果框架，公式里都带 do 记号，初学者容易把“平均因果效应”误当成“个体反事实”。

误区模型把反事实样本判成了目标类别，就认为它是真实可信的建议。

正解分类器输出只代表“模型角度”的有效性，不代表“现实角度”的可行性。反事实样本可能落在训练数据分布之外（分布外漂移），模型在那里的预测完全是外推；也可能推荐“把年龄减少10岁”这种不可执行改动。可信的反事实还要经过分布距离检验和可行性检查。

为何常见：有效性指标太显眼，人们容易把“模型判对”等同于“事实正确”，忽略了模型本身也会在陌生区域犯错。

误区最小化改动距离 = 最好的反事实，所以穷举式找最近点就够了。

正解距离最小只是“稀疏性”一个维度。真实应用中还要考虑因果合理性（收入提高会连带影响负债率）、特征可行性（性别、年龄不可改）、以及方案多样性（用户需要多个选择）。只盯距离指标，常常会给出“把月收入提高50倍”这种数学上最近、现实中荒谬的建议。

为何常见：教材里最简定义确实用“最小距离”概括反事实，让人误以为距离是唯一标准。

误区训练一个标准 GAN，输入原样本就可以自动输出反事实版本。

正解标准 GAN 的目标是拟合整个数据分布，它没有“针对某个样本做最小定向修改”的能力。要做反事实，必须额外设计损失（如反事实锚定项、循环一致性）或在潜在空间做有约束搜索。GAN 只是“烤箱”，反事实约束才是“配方程序”。

为何常见：GAN 的生成能力太令人印象深刻，初学者容易误以为“能生成 = 能定向修改”。

面试题

Q1. 反事实样本的核心思想是？

单选题 · easy

  • A.预测未来可能发生的事件
  • B.从原始数据中随机抽取一部分
  • C.假设过去条件不同并生成对应结果← 正确答案
  • D.删除异常样本以提升模型精度

答案：C。反事实的“如果当时……”正对应 C。A 是预测任务，B 是抽样，D 是数据清洗，都不涉及“假设过去不同”这一核心思想。

Q2. 结构因果模型中的 \( do(X=x) \) 代表？

单选题 · easy

  • A.删除变量X的所有相关数据
  • B.强制将X设为x并切断其上游连线← 正确答案
  • C.计算X与Y之间的皮尔逊相关系数
  • D.对X施加一个随机噪声扰动

答案：B。do 算子是“干预”，核心动作是切断父节点到 X 的因果连线并强制设值。加噪声、算相关都不涉及“切断连线与强制赋值”，故选 B。

Q3. Pearl 反事实推理三步法的正确顺序是？

单选题 · mid

  • A.行动—预测—外推
  • B.外推—行动—预测← 正确答案
  • C.预测—外推—行动
  • D.外推—预测—行动

答案：B。必须先外推（用证据更新隐藏状态分布），再行动（do 干预），最后预测（推算结果）。B 的“外推—行动—预测”是标准流程，其余顺序在逻辑上都不通。

Q4. 在 GAN 中，判别器的核心任务是？

单选题 · mid

  • A.从噪声中生成逼真的假样本
  • B.区分真实样本和生成样本← 正确答案
  • C.对样本特征做归一化处理
  • D.搜索潜在空间的低维映射

答案：B。生成器负责 A，判别器像“试吃员”负责分辨真假（B）。归一化是预处理，低维映射是降维，都不是判别器的角色。

Q5. 评估反事实样本时，“有效性”指的是？

单选题 · mid

  • A.生成一组反事实样本的时间最短
  • B.反事实样本与原样本完全一致
  • C.模型对反事实样本的预测等于目标类别← 正确答案
  • D.反事实样本的数量足够大

答案：C。有效性就是“目标达成”——模型的预测恰好翻转为想要的目标类别。速度、一致性、数量分别属于效率、稀疏性和多样性的范畴。

Q6. 高维空间中距离度量失效的根本原因是？

单选题 · hard

  • A.高维下距离计算容易产生数字溢出
  • B.最大距离与最小距离的比值会逐渐趋近1← 正确答案
  • C.距离度量退化为非欧几何形式
  • D.所有样本间距离都直接趋近0

答案：B。维度越高，任意两点间的距离越接近，\( d_{max} \) 与 \( d_{min} \) 的比值趋近 1，“最近邻”失去区分度。溢出、非欧几何、距离归零都不是标准结论。

Q7. 反事实生成中“分布外漂移”指的是？

单选题 · hard

  • A.模型参数在训练之后发生偏移
  • B.反事实样本落在训练数据分布范围外← 正确答案
  • C.训练数据随时间推移逐渐过时
  • D.生成器梯度消失导致训练停滞

答案：B。反事实搜索可能把样本推出训练流形之外，模型在陌生区域没有数据支撑，预测置信度不可信。参数偏移、数据过时、梯度消失对应的是其他问题。

Q8. 高质量反事实样本通常需要满足哪些条件？

多选题 · mid

  • A.要求改动幅度尽可能小（稀疏性）← 正确答案
  • B.要求模型预测为目标类（有效性）← 正确答案
  • C.要求与原样本完全相等
  • D.要求方案间存在足够多样性← 正确答案

答案：ABD。有效性和稀疏性是反事实的两个基本要求，多样性可以让用户有更多选择。C 与原样本完全相等则模型不会改判，与有效性矛盾。

Q9. 以下哪些属于反事实样本生成的应用场景？

多选题 · mid

  • A.向被拒贷款用户解释如何调整申请条件← 正确答案
  • B.为医生提供指标达标后的风险量化样本← 正确答案
  • C.压缩图片存储空间以节省成本
  • D.推荐系统生成虚拟偏好来解释推荐← 正确答案

答案：ABD。A、B、D 分别对应信贷解释、医疗干预、推荐系统的反事实应用，都包含“假设改动后结果变化”。图片压缩是数据压缩任务，与反事实无关。

Q10. 反事实样本生成的常用技术途径有哪些？

多选题 · hard

  • A.在生成器潜在空间中搜索接近原样本的编码← 正确答案
  • B.用循环一致性约束保留样本关键语义← 正确答案
  • C.通过稀疏化惩罚推动特征最小改动← 正确答案
  • D.用梯度上升调整原始特征到目标类别← 正确答案

答案：ABCD。四种都是论文中常见的实现路径：潜在空间搜索（如 LatentCF）、循环一致性（借鉴 CycleGAN）、稀疏化惩罚、以及沿决策边界梯度上升。它们从不同层面解决了“定向生成”的问题。