Counterfactual 설명은 원하는 모델 결과를 얻기 위해 필요한 최소한의 변화를 식별하여 머신 러닝 모델의 실행 가능한 해석 가능성을 향상시킨다. 기존 방법은 실제 데이터 세트의 복잡한 종속성을 무시하여 비현실적이거나 실행 불가능한 수정을 초래한다. 이 논문에서는 이메일 마케팅 분야의 사이버 보안 응용 프로그램을 동기로 삼아, 특징 종속성과 인과 관계 제약을 통합하여 반사실적 사실의 타당성과 현실 세계의 실행 가능성을 보장하는 DANCE(Diverse, Actionable, and kNowledge-Constrained Explanations)라는 방법을 제안한다. 제안된 방법은 데이터에서 선형 및 비선형 제약을 학습하거나 전문가가 제공한 종속성 그래프를 통합하여 반사실적 사실의 타당성과 실행 가능성을 보장한다. 특징 관계와 일관성을 유지함으로써 현실 세계의 제약 조건에 부합하는 설명을 생성한다. 또한, 타당성, 다양성 및 희소성의 균형을 유지하여 기존 알고리즘의 주요 한계를 효과적으로 해결한다. 폴란드 최대의 이메일 마케팅 회사인 Freshmail과의 실제 사례 연구를 기반으로 개발되었으며, Sendguard 공동 R&D 프로젝트의 지원을 받았다. 140개의 공개 데이터 세트를 사용하여 광범위한 평가를 수행했으며, 널리 사용되는 메트릭을 기반으로 다른 기존 접근 방식을 능가하는 의미 있고 도메인 관련 반사실적 사실을 생성하는 능력을 강조한다. 결과 재현을 위한 소스 코드는 제공된 GitHub 저장소에서 확인할 수 있다.
