Faithful, Sufficient and Understandable: Rethinking Graph Counterfactual Explanations via Discrete Diffusion Inversion
Di cosa parla
Si propone GDCE-I, un metodo per generare spiegazioni controfattuali per modelli che lavorano su dati a grafo. Le spiegazioni controfattuali mostrano le modifiche minime alla struttura che cambierebbero la previsione del modello; qui l’obiettivo è produrre edit realistici che rispettino i vincoli del dominio (per esempio la valenza chimica) e che esplorino tutto lo spazio di possibili modifiche senza uscire dai dati plausibili. Il lavoro introduce anche un quadro condiviso di criteri per valutare queste spiegazioni e lo applica ad altri metodi, ottenendo migliori risultati e, nel caso delle molecole, soluzioni interpretabili e coerenti con i dati.
Cosa permette di osservare
Consente di capire se è possibile ottenere spiegazioni plausibili e ammissibili per modelli su grafi, come valutare queste spiegazioni con criteri condivisi e come affrontare casi con regole stringenti (ad esempio in chimica).
Dalla fonte
Graph Neural Networks (GNNs) achieve strong predictive performance on graph-structured data across domains such as chemistry, biology, and network analysis, yet they provide no intrinsic explanation of their predictions. This limits their adoption in high-stakes and safety-critical settings. Counterfactual explanations address this by revealing the minimal structural modifications that would change a model's prediction. On graphs, however, such a modification is hard to produce. The search space is discrete and combinatorial, and a valid answer must respect categorical node and edge types together with domain rules such as chemical valency in the case of molecular graphs. Existing explainers give up one of two things. Either edits are not held on the data manifold, or the search does not span the full edit space. We propose Graph Diffusion Counterfactual Explanation via Inversion (GDCE-…