固定 LLM 预算下反事实追索的代理搜索

反事实追索权旨在提供可操作的特征更改，以改变预测模型做出的不利决策。在实践中，受影响的个人通常受益于多种可行的替代方案，而不是单一的最佳解释。生成此类替代项的自然方法是提示 大语言模型 (LLM)。然而，提示会带来实际限制：LLM 调用的数量通常是主要的计算和经济成本。对多种替代方案的需求和这种成本限制将问题从寻找单个高质量反事实转移到在固定的 LLM 调用预算下有效生成一组经预言机验证的反事实。在这项工作中，我们研究了 LLM 代理设置中的反事实资源生成作为固定预算搜索问题，并提出了资源蒙特卡罗树搜索（ReCo-MCTS），这是一种代理树搜索框架，旨在提高在此预算下独特的、经过预言机验证的反事实的产量，同时考虑到所需更改的程度。 ReCo-MCTS 结合了基于 LLM 的多候选生成、约束检查、黑盒预言机评估和 UCT 引导的树搜索，以在固定的 LLM 调用预算下积累有效的反事实。在四个现实世界的表格数据集上，ReCo-MCTS 在指定的资源限制下返回比我们主要比较中评估的基线更多的反事实，并在所需更改的范围内进行权衡。