تعتبر الشروح العكسية (Counterfactual Explanations) واحدة من الأدوات المهمة في تحسين فهمنا لنماذج التعلم الآلي، حيث تسلط الضوء على التغييرات الطفيفة المطلوبة لتحقيق مخرجات معينة. لكن، وعلى الرغم من استخدامها الواسع، لم تتلقَ الأسس النظرية لصياغة هذه الشروح الاهتمام الكافي.

في دراسة حديثة، تم عرض صياغة جديدة تقول بأن الشرح العكسي المعتمد على تقليل الفجوة يعادل رياضياً تقدير الحد الأقصى لاحتمالية ما بعد (Maximum A Posteriori - MAP) ضمن إطار بايز العام (Generalized Bayes)
. هذه الصياغة الجديدة تُعرف باسم الشرح العكسي بايز المعتمد على الفجوة (Distance-Prior Generalized Bayes CE - DP-GBCE).

توسع الدراسة في هذا المقام بتقديم قاعدتي قرار تتخطى MAP: قاعدة القرار بايز التي تقلل من احتساب خسائر القرار المتوقع وCVaR-CE، وهي قاعدة قرار تسعى لحماية من المخاطر. كذلك، تم اقتراح إمتداد يستخدم أوزان نماذج بايز لدمج التوزيعات الاحتمالية لعدة نماذج، مما يعكس التنوع في الأداء التنبؤي.

وأخيراً، تم تحديد مقاييس لتقييم الشروح العكسية الفردية والتوزيع الاحتمالي ككل. التجارب على البيانات المحاكية وبيانات Google Trends أظهرت التوازنات بين قواعد القرار المستخدمة، مما يعكس أهمية البحث في هذا المجال.