GDCE-I: Inversione della Diffusione Discreta per Spiegazioni Controfattuali su Grafi

Un nuovo metodo per generare spiegazioni controfattuali per le Reti Neurali su Grafi (GNN) è stato proposto in un articolo su arXiv. Il metodo, chiamato Graph Diffusion Counterfactual Explanation via Inversion (GDCE-I), affronta la sfida di trovare modifiche strutturali minime che cambiano la previsione di una GNN rispettando i vincoli di dominio. Le GNN sono ampiamente utilizzate in chimica, biologia e analisi delle reti, ma la loro mancanza di interpretabilità limita l'adozione in contesti ad alto rischio. Le spiegazioni controfattuali sono cruciali per comprendere le decisioni del modello, ma sui grafi lo spazio di ricerca è discreto e combinatorio, e le modifiche valide devono rispettare i tipi categorici di nodi e archi e le regole di dominio come la valenza chimica. Gli spiegatori esistenti o non riescono a mantenere le modifiche sul manifold dei dati o non esplorano l'intero spazio delle modifiche. GDCE-I supera queste limitazioni utilizzando un modello di diffusione denoising discreto per invertire la ricerca controfattuale, garantendo che le modifiche siano sia valide che complete. L'articolo è disponibile su arXiv:2608.12083 ed è stato annunciato come una sottomissione cross-type. Il metodo è significativo per migliorare la trasparenza e l'affidabilità delle GNN in applicazioni critiche.