この論文では、ランダムフォレストと呼ばれる機械学習モデルにおいて、反実仮想説明の手法を提案しています。従来のシャプレー値などのモデルに依存しない説明手法がある一方で、因果関係に基づくより直感的で実用的な説明が求められています。著者らは、反実仮想の探索と解釈の問題を類似性学習として定式化し、ランダムフォレストを通じて獲得した特徴量を用いて説明の重要性を評価します。彼らの手法は、手書き数字のMNISTデータセットやドイツのクレジットデータセットで実示され、従来のアプローチよりもスパースで有用な説明を生成することが確認されました。このアプローチは、規制の厳しい金融分野などでの機械学習の適用を支援することが期待されます。