本文提出了反事实图（counterfactual graphs）作为黑盒图分类器的后解释，然后提出和比较了几种反事实图搜索策略。测试结果表明，虽然该方法是启发式的，但它可以产生非常接近最优反事实图的结果，并展示如何使用反事实图来构建全局解释，以正确捕获不同黑盒分类器的行为并为神经学家提供有趣的见解。

Jun, 2021

通过引入图形编辑作为反事实解释，将输入数据表示为图形，寻找一条最短的图形编辑路径，以达到黑盒分类器提供的替代分类标签。

Jan, 2024

本文提出一个利用知识图谱提供反事实解释的框架，并给出了一种计算该解释的算法，并 quantitatively 评估了该框架与用户研究。

May, 2023

本文系统地总结了现有的基于图神经网络的反事实解释方法，提供了统一的框架和常用指标以便于比较研究优缺点，并探讨了隐私和公平方面的问题。

Oct, 2022

本文提出了一种新的可解释 AI 方法 CF^2，结合因果推断理论的概念，通过优化问题，生成了一种两个因果视角的模型无关框架，用于产生 GNN 解释，并提供了一组基于对照和实际推理的度量方法，用于定量评估生成解释的必要性和充分性，实验证明在真实世界的数据集上，无论是否提供基本真理解释，CF^2 的生成解释都比以前的最先进方法更好。

Feb, 2022

本文提出了一种基于决定点过程的生成和评估多样性反事实解释的框架，旨在优化反事实行为的可行性和多样性，并提供了可比较的度量标准来评估反事实方法。通过实验，验证了该框架能生成多样性的反事实，并且能有效地近似本地决策边界。

May, 2019

本综述分四个主要方向，对图形反事实学习的现有方法进行分类和全面的审查。我们提出有前途的未来研究方向，并为未来研究编制了一份资源清单。我们还提供了一份开放源代码实现、公共数据集和常用评估度量标准的列表。本文的目的是为构建图形反事实学习类别和当前资源的统一理解提供 “一站式” 服务，并将维护论文和资源的知识库，并将不断更新此资源。

Apr, 2023

利用数学优化模型，通过集体反事实解释为给定组内各实例提供一个反事实解释，以使扰动实例的总成本在一定约束下最小化，从而检测对整个数据集都至关重要的特征，验证了该方法的实用性。

Oct, 2023

提出了一种能够生成对于噪音稳健且符合人类直觉的图神经网络的可靠反事实解释的新方法，该方法明确地对相似输入图的常见决策逻辑进行建模，并从许多相似输入图的公共决策边界中产生可靠的解释。

Jul, 2021

提供关于机器学习算法如何工作和 / 或进行特定预测的解释是改善其可靠性、公平性和鲁棒性的主要工具之一。在解释类型中，反事实是最直观的一种，它是与给定点仅在预测目标和某些特征上不同的示例，它呈现了原始示例中需要改变的特征来翻转该示例的预测。然而，这种反事实可能具有与原始示例不同的许多不同特征，使得其解释困难。在本文中，我们提出明确为反事实生成添加一个基数约束，限制与原始示例不同的特征数量，从而提供更易解释和易理解的反事实。

Apr, 2024