U-CECE：面向概念反事实解释的通用多分辨率框架
人工智能
2026-05-22 v3 计算机视觉与模式识别
摘要
随着AI模型变得越来越复杂，解释性变得至关重要，但概念性反事实方法仍面临表达性和效率之间的权衡。将底层概念表示为原子集速度快，但会忽略关系上下文；而完整的图表示更加忠实，但需要求解NP难的图编辑距离（GED）问题。我们提出了U-CECE，一个统一的、模型无关的、针对概念反事实解释的多分辨率框架，可适应数据场景和计算预算。U-CECE跨越三个表达性层次：原子概念用于宽泛解释，关系集合-集合用于简单交互，结构图用于完整语义结构。在结构层面，既支持基于监督图神经网络（GNN）的精确导转模式，也支持基于无监督图自编码器（GAE）的可扩展归纳模式。实验在结构差异大的CUB和Visual Genome数据集上进行，描述了不同层次之间的效率-表达性权衡；同时通过人类调查和LVLM-based评估显示，检索到的结构反事实解释在语义等价性上与精确GED基准答案相当，且常常被偏好。
引用
@article{arxiv.2604.08295,
title = {U-CECE: A Universal Multi-Resolution Framework for Conceptual Counterfactual Explanations},
author = {Angeliki Dimitriou and Nikolaos Chaidos and Maria Lymperaiou and Giorgos Filandrianos and Giorgos Stamou},
journal= {arXiv preprint arXiv:2604.08295},
year = {2026}
}