Counterfactual explanations

Counterfactual explanations

par Machine learning classroom

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Machine learning classroom 👥 2K 📅 28 février 2026 ⏱ 11 min 👁 61 📄 cours magistral 🧭 2026-08-15
Disponible en : Français (actuel) English

Mots-clés

contrefactuelexplicationrecourseIASHAP

Résumé

Cette vidéo de la chaîne ‘Machine learning classroom’ introduit le concept d’explications contrefactuelles en apprentissage automatique. L’auteur explique que contrairement aux méthodes d’attribution classiques (comme SHAP) qui répondent à la question ‘pourquoi le modèle a-t-il fait cette prédiction ?’, les contrefactuels cherchent à répondre à ‘que faudrait-il changer pour que la prédiction soit différente ?’. Il illustre cela avec l’exemple d’un prêt refusé : le contrefactuel proposerait d’augmenter légèrement le revenu ou de réduire la dette pour obtenir l’approbation. La vidéo détaille les propriétés essentielles des bons contrefactuels : proximité, faisabilité, parcimonie et diversité. Elle présente ensuite la formulation mathématique comme un problème d’optimisation sous contrainte, transformé en problème non contraint via le Lagrangien. L’auteur discute de l’influence du choix de la métrique de distance (L1 vs L2) sur la nature des contrefactuels. Il compare également SHAP et les contrefactuels, soulignant que SHAP décompose la prédiction tandis que les contrefactuels proposent des scénarios alternatifs. Enfin, il énumère les forces (actionnables, intuitifs, individualisés) et les limites (non-unicité, sensibilité à la métrique, solutions irréalistes, coût computationnel) de ces méthodes.

177 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La vidéo offre une introduction claire et bien structurée aux explications contrefactuelles. L’argumentation est solide : l’auteur part d’un exemple concret, définit les concepts, présente la formulation mathématique et discute des implications pratiques. La comparaison avec SHAP est pertinente et aide à situer les contrefactuels dans le paysage de l’IA explicable. La valeur des informations est bonne pour un public ayant des bases en apprentissage automatique, mais le contenu reste introductif et ne couvre pas les méthodes avancées ou les recherches récentes.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte : les concepts sont présentés avec précision et les limites sont mentionnées. Cependant, aucune source n’est citée dans la vidéo ni dans la description, ce qui limite la vérifiabilité. Le titre est parfaitement adéquat au contenu. La vidéo ne comporte pas de séquence publicitaire.

146 mots

Adéquation titre / contenu

Le titre correspond parfaitement au contenu, qui traite exclusivement des explications contrefactuelles.

Qualité & fiabilité

7/10

Exposé clair et structuré, couvrant les concepts fondamentaux des explications contrefactuelles, leurs applications, propriétés, formulation mathématique et comparaison avec SHAP. Le contenu est pédagogique et techniquement correct, mais reste introductif et ne cite pas de sources externes.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Apport & nouveautés

La vidéo apporte une synthèse claire et pédagogique des explications contrefactuelles, en les distinguant nettement des méthodes d’attribution. Elle met l’accent sur l’aspect actionnable et individualisé, ce qui est un point de vue utile pour les praticiens. La formulation mathématique est présentée de manière accessible.

Pour aller plus loin :

96 mots

Profil radar

Le profil radar montre une vidéo équilibrée, avec une bonne qualité d'information et une fiabilité correcte, mais un niveau technique modéré et une quantité d'information limitée par la durée. La vidéo est adaptée à un public intermédiaire.

Fiabilité 7/10