PACE to modułowy framework łączący uczenie maszynowe z reprezentacją reguł opartą na logice symbolicznej do tworzenia wyjaśnień konterfaktycznych, które są zarówno efektywne, jak i możliwe do wdrożenia w praktyce. Tradycyjne metody generowania wyjaśnień konterfaktycznych skupiały się głównie na znalezieniu minimalnych zmian w danych wejściowych powodujących zmianę decyzji modelu, ale rzadko uwzględniały ograniczenia rzeczywistego świata czy wiedzę domenową. Skutkowało to rekomendacjami, które były teoretycznie słuszne, ale praktycznie niemożliwe do realizacji.
Podejście neuro-symboliczne zastosowane w PACE rozdziela problem na dwa komponenty: sieć neuronowa odpowiada za predykcję i klasyfikację danych, natomiast warstwa symboliczna wykorzystująca Answer Set Programming egzekwuje ograniczenia domenowe podczas generowania wyjaśnień. To pozwala frameworkowi na jawne modelowanie wykonalnych interwencji - w teście na zbiorze Adult Income system konsultował się z regułami ASP, aby zmiany w edukacji, zawodzie czy godzinach pracy były realistyczne, jednocześnie chroniąc niezmienne atrybuty takie jak wiek. Framework jest niezależny od konkretnej architektury modelu i może być adaptowany do różnych dziedzin wymagających decyzji wspieranej realistycznymi wyjaśnieniami.