面向因果子图推断的反事实不变扩散基图神经网络解释器

仅基于测量数据推断与特定表型或标签相关的因果链接或子图是一个重要但具有挑战性的任务，这也不同于推断因果节点。尽管图神经网络（GNN）解释器在子图识别方面显示出潜力，但现有方法通常提供的是关联性而非因果性见解。这种缺乏透明度和可解释性不仅阻碍了我们理解其结果，也阻碍了理解其背后的机制。为了解决这一问题，我们提出一种新颖的因果链接/子图推断方法，称为CIDER：反事实不变扩散基图神经网络解释器（Counterfactual-Invariant Diffusion-based GNN Explainer for Causal Subgraph Inference），通过实现反事实和扩散两种机制。换言之，它是一个模型无关且任务无关的框架，用于基于反事实不变和扩散过程生成因果解释，既通过反事实实现提供因果子图，又通过扩散过程提供可靠的因果链接。具体而言，CIDER 首先被建模为一个推断任务，生成性地提供一种因果子图分布和另一种虚构子图分布。 then, 为增强可靠性，我们进一步将 CIDER 框架建模为扩散过程。因此，利用因果子图分布，我们可以以反事实方式明确量化每个子图对表型/标签的贡献，表征每个子图的因果强度。从因果性角度看，CIDER 是一种干预性因果方法，不同于传统的关联研究或观察性因果方法，可减少未观测混杂因素的影响。我们在 synthetic 和 real-world 数据集上评估了 CIDER，所有结果均显示其优于最新方法的优势。