图反事实解释综述：定义、方法、评估与研究挑战
机器学习
2024-06-12 v3 人工智能
摘要
图神经网络（GNNs）在社区检测和分子分类中表现良好。反事实解释（CE）通过提供反例来克服黑盒模型的透明性局限。由于图学习领域关注度的增长，我们聚焦于 GNN 的 CE 概念。我们分析了当前技术水平（SoA）以提供分类法、统一符号以及基准数据集和评估指标。我们讨论了十四种方法、它们的评估协议、二十二个数据集和十九个指标。我们将大多数方法集成到 GRETEL 库中，以进行实证评估来理解它们的优势与缺陷。我们强调了开放挑战与未来工作。
引用
@article{arxiv.2210.12089,
title = {A Survey on Graph Counterfactual Explanations: Definitions, Methods, Evaluation, and Research Challenges},
author = {Mario Alfonso Prado-Romero and Bardh Prenkaj and Giovanni Stilo and Fosca Giannotti},
journal= {arXiv preprint arXiv:2210.12089},
year = {2024}
}