超图神经网络的反事实解释
机器学习
2026-05-26 v2 人工智能
计算机与社会
摘要
超图神经网络 (HGNNs)有效地建模了许多真实系统中的更高阶相互作用，但解释性仍有限，限制了其在高风险环境中的部署。我们引入了CF-HyperGNNExplainer，一种用于HGNNs的反事实解释方法，通过识别改变模型预测所需的最小结构性变更来实现。该方法通过可操作的编辑生成反事实超图，局限于删除节点-超边关联或删除超边，产生简洁且结构上有意义的解释。大量实验表明，CF-HyperGNNExplainer生成的反事实解有效且简洁，突出了HGNN决策中最关键的更高阶关系。
引用
@article{arxiv.2602.04360,
title = {Counterfactual Explanations for Hypergraph Neural Networks},
author = {Fabiano Veglianti and Lorenzo Antonelli and Gabriele Tolomei},
journal= {arXiv preprint arXiv:2602.04360},
year = {2026}
}