Aspect 기반 감성 분석(ABSA)은 문장의 전반적인 극성에 의존하기보다는 특정 측면(aspect)에 대한 감성을 식별하도록 모델을 요구합니다. 이 때문에 반사실적 평가가 특히 어렵습니다. 유효한 반사실적 예시는 하나의 목표 측면의 감성은 뒤집으면서, 모든 비목표 측면의 감성, 의미론적 의미, 유창성, 그리고 사실적 일관성은 유지해야 합니다. 기존의 반사실 생성 방법들은 종종 문장 수준의 레이블 플리핑에 초점을 맞추어, 유창하지만 측면적으로는 유효하지 않거나(aspect-invalid), 의미가 표류하거나(semantically drifting), 모순되는 편집을 생성할 수 있습니다. 이러한 한계점을 해결하기 위해, 우리는 목표 측면에 관련된 의견 구역을 국소화하고, 제어된 반사실적 재작성을 수행하며, 복구 모듈(repair module)을 통해 후보들을 정제하고, 측면 수준 검증(aspect-level verification), 의미 유사성(semantic similarity), AMR 기반 구조 보존(AMR-guided structural preservation), 편집 최소성(edit minimality), 유창성, 그리고 모순 감지(contradiction detection)를 사용하여 필터링하는 제약 조건 인식 검증 편집 프레임워크인 CAVE-ABSA를 제안합니다. 이 프레임워크는 강건성 평가와 데이터 증강을 위한 검증된 반사실 ABSA 데이터셋을 구축하도록 설계되었습니다. CAVE-ABSA는 생성과 검증을 명시적으로 분리함으로써, 의미 있는 측면 국소 반사실(aspect-local counterfactuals)을 생성하고 ABSA 모델이 실제로 측면에 기반한 감성 추론에 의존하는지 테스트하기 위한 원칙적인 접근 방식을 제공합니다.