Newest papers

CRANE: Post-Hoc Counterfactual Retrieval for Multimodal Classifiers

Franco Rugolon, Ioanna Miliou, Panagiotis Papapetrou · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31594 · open-access PDF

Russian

Контрфактные методы объяснения были введены для одномодальных настроек, с специальными рамками для табличных, временных, текстовых и изобразительных данных, однако никакой пост-хок-метод не был разработан для классификаторов, которые учатся от мультимодальных входов. Существующие методы объяснимости для мультимодальных классификаторов применяют модально-специфическое приписывание независимо к каждому вводу, что не дает согласованных объяснений и не переходит к произвольным предварительно обученным мультимодальным архитектурам. Для устранения этих недостатков мы представляем CRANE (Counterfactual Retrieval via Agnostic Nearest-Near-Neighbour Explanation)

Machine translation (Meta M2M100); the English original follows.

Abstract

Counterfactual explanation methods have been introduced for unimodal settings, with dedicated frameworks for tabular, timeseries, text, and image data, yet no post-hoc method has been designed for classifiers that learn from multimodal inputs. Existing explainability methods for multimodal classifiers apply modality-specific attribution independently to each input, which fails to yield coherent explanations and does not transfer to arbitrary pre-trained multimodal architectures. To address these shortcomings, we present CRANE (Counterfactual Retrieval via Agnostic Nearest-neighbour Explanation

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange