G2I框架：用贪心搜索搞定网络干预，效率碾压现有反事实解释器！
Generating Intervention Hypotheses using Explainable Explanations on Graphs: G2I, a Two-Stage Greedy Framework
📖 AI 总结
该研究提出了一种名为G2I的两阶段贪心框架，用于在图结构数据上生成干预假设，以弥补现有图神经网络解释方法在网络级干预设计上的不足。研究指出，传统的反事实解释方法如CF-GNNExplainer依赖连续掩码优化，存在计算开销大、可能针对不可操作属性等局限。G2I在局部层面通过贪心搜索直接识别节点特征和邻居条件的最小可行改动，并推导了保证条件；在网络层面将干预选择建模为预算约束下的析取范式覆盖问题，利用其近似子模特性实现有理论保证的贪心算法。实验表明，该方法在合成图和真实自杀风险网络上比掩码式反事实方法效率显著提升，能生成可解释、可操作且成本有效的干预策略，为公共卫生和社会科学领域的决策提供了实用工具。
🔑 关键词速览
| Graph Neural Networks (GNNs) | 图神经网络，一种用于处理图结构数据的深度学习模型，能够捕捉节点间的关系信息。 |
| Counterfactual Explanation | 反事实解释，通过寻找最小改变输入以改变模型预测结果的方法，用于解释模型决策。 |
| Disjunctive Normal Form (DNF) | 析取范式，一种逻辑表达式形式，由多个子句的析取组成，常用于表示组合条件。 |
| Submodular | 子模性，一种集合函数的性质，表示边际收益递减，常用于保证贪心算法的近似最优性。 |
| Greedy Search | 贪心搜索，一种逐步选择当前最优选项的启发式算法，常用于优化问题中。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅