Neue Erklärungsparadigmen: Gegenfaktische Szenarien für automatisierte Planung

In der Welt der künstlichen Intelligenz gewinnen Gegenfaktische Erklärungen (CEs) immer mehr an Bedeutung. Sie zeigen, wie man Eingaben minimal verändern kann, damit ein Modell ein anderes Ergebnis liefert. In der automatisierten Planung wurden ähnliche Ideen bereits umgesetzt, indem man minimale Änderungen an bestehenden Plänen vorschlägt, um ein anderes Ziel zu erreichen.

Diese bisherigen Ansätze helfen zwar bei der Fehlerdiagnose und beim Verständnis von Plancharakteristika, bleiben jedoch bei der Erfassung höherer Problemmerkmale hinter den Erwartungen zurück. Um dieses Problem zu lösen, stellen die Autoren ein neues Erklärungsparadigma vor, das auf Gegenfaktischen Szenarien basiert. Dabei wird ein Planungsproblem P zusammen mit einer LTLF‑Formel ψ betrachtet, die gewünschte Eigenschaften eines Plans definiert. Gegenfaktische Szenarien identifizieren die kleinsten Änderungen an P, sodass es Pläne gibt, die ψ erfüllen.

Das Papier präsentiert zwei qualitative Varianten dieser Szenarien, die explizit über die Menge der ψ‑erfüllenden Pläne quantifizieren. Anschließend wird die Rechenkomplexität der Szenariogenerierung untersucht, wenn unterschiedliche Arten von Änderungen an P zulässig sind. Die Ergebnisse zeigen, dass die Erstellung von Gegenfaktischen Szenarien häufig nur so aufwendig ist wie die Berechnung eines Plans für P selbst. Damit wird die praktische Umsetzbarkeit des Ansatzes demonstriert und ein solides Fundament für zukünftige Algorithmen gelegt.