머신 러닝 모델의 실행 가능한 해석 가능성을 향상시키기 위해, 원하는 결과를 달성하기 위한 최소한의 변경 사항을 식별하는 반사실적 설명을 제시합니다. 기존 방법론이 실제 데이터 세트의 복잡한 의존성을 무시하는 문제를 해결하기 위해, 이 연구에서는 DANCE (Diverse, Actionable, and kNowledge-Constrained Explanations)라는 방법을 제안합니다. 이 방법은 기능 종속성과 인과 관계 제약을 통합하여 반사실적 설명의 현실성과 실행 가능성을 보장합니다. 데이터로부터 선형 및 비선형 제약을 학습하거나, 전문가가 제공한 의존성 그래프를 통합하여 반사실적 설명이 타당하고 실행 가능하도록 합니다. 이 방법은 실제 제약 조건에 맞춰 타당성, 다양성 및 희소성의 균형을 유지하며, 기존 알고리즘의 주요 제한 사항을 효과적으로 해결합니다. 폴란드 최대 이메일 마케팅 회사인 Freshmail과의 실제 사례 연구를 기반으로 개발되었으며, 140개의 공개 데이터 세트를 사용한 광범위한 평가를 통해 다른 기존 접근 방식을 능가하는 성과를 보여줍니다.
