본 논문은 기계 학습 메커니즘을 반례를 통해 이해할 수 있도록 하는 반사실적 설명(counterfactual explanations)에 대해 연구합니다. 특히, 원본 사례를 반사실적 사례로 변환하는 능력인 '실행 가능성(actionability)'에 초점을 맞춥니다. 기존 방법과 달리, 학습 데이터를 직접 활용하지 않고 데이터 밀도 추정기(density estimator)만 학습하여 경로 계획 알고리즘을 적용하는 새로운 방법을 제안합니다. 베이지안 네트워크를 이용하여 데이터 밀도를 추정하고, 높은 이해도와 공정성이 요구되는 상황에서 유용성을 보여줍니다. 15개의 합성 데이터셋과 미국 환경보호청의 실제 데이터셋을 사용한 실험 결과, 기존 최첨단 알고리즘보다 더 실행 가능하고 간단한 반사실적 설명을 찾았음을 보여줍니다. 특히, 주택 위기와 관련된 사회인구학적 변수 등을 고려하여 정책의 공정성을 확보하고 변수 간 상호작용을 포착합니다.
