ECLAIR：一种可解释的因果学习方法，适用于具有混合不确定性的鲁棒图神经网络（Robust Graph Neural Networks），该方法通过干预性推理（Interventional Reasoning）来实现分离不确定性（disentangled uncertainty）

《ACM Transactions on Intelligent Systems and Technology》：ECLAIR: Explainable Causal Learning for Robust GNNs with disentAngled uncertainty via Interventional Reasoning

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

因果图学习旨在识别有信息的因果子图并排除非因果元素，以解释图神经网络（GNN）的预测结果。然而，现有方法在处理虚假相关性以及鲁棒泛化方面存在困难，尤其是在面对带有偏见的数据时。为了解决这些挑战，我们提出了一个名为ECLAIR（Explainable Causal Learning with disentAngled uncertainty and Interventional reasoning）的框架，该框架能够识别精确的因果结构，从而提高预测解释的准确性和泛化能力。ECLAIR通过使用双视角注意力分数来区分因果和非因果特征，减少无关信息的传播，并利用不确定性学习来量化子图的确定性。其轻量级的、参数效率高的优化机制在保证精确性的同时，也考虑了不确定性因素，从而在资源有限的场景下优化了准确性和计算效率。在两个合成数据集和七个真实世界数据集上的广泛实验表明，ECLAIR在弥合解释差距方面表现出顶尖的性能，尤其是在数据存在较高偏见或分布不一致的情况下。定性可视化结果进一步显示，在偏见加剧的情况下，能够更清晰地分离出真正的因果结构。我们的代码和数据集将在论文被接受后公开。

AI摘要

AI生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助读者发现内容的相关性，辅助来自其他研究领域的读者理解本文的工作。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的权威版本。点击此处了解更多。

点击此处评论此摘要的准确性、清晰度和实用性。您的反馈将有助于改进未来的版本。

要查看此由AI生成的浅显语言摘要，您必须具有高级访问权限。