寻找节点分类的反事实证据

反事实学习作为一种根植于因果性的重要范式正在兴起，有望缓解图神经网络（GNN）的常见问题，如公平性和可解释性。然而，正如在许多无法进行随机对照试验的现实世界应用领域中一样，人们必须依赖可用的观测（事实）数据来检测反事实。本文引入并解决了为基于GNN的节点分类任务搜索反事实证据的问题。一个反事实证据是一对节点，尽管它们在特征和邻域子图结构上都表现出极大的相似性，但GNN却将它们分类为不同类别。我们开发了有效且高效的搜索算法以及一种新颖的索引解决方案，该方案利用节点特征和结构信息来识别反事实证据，并能泛化到任何特定的GNN之外。通过各种下游应用，我们展示了反事实证据在提升GNN公平性和准确性方面的潜力。