Buchumschlag

A Survey on Graph Counterfactual Explanations: Definitions, Methods, Evaluation, and Research Challenges

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Prado-Romero, Mario Alfonso, Prenkaj, Bardh, Stilo, Giovanni, Giannotti, Fosca
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Robust Stochastic Graph Generator for Counterfactual Explanations
von: Prado-Romero, Mario Alfonso, et al.
Veröffentlicht: (2023)

Doubling Your Data in Minutes: Ultra-fast Tabular Data Generation via LLM-Induced Dependency Graphs
von: Yang, Shuo, et al.
Veröffentlicht: (2025)

Graph Inverse Style Transfer for Counterfactual Explainability
von: Prenkaj, Bardh, et al.
Veröffentlicht: (2025)

Active Tabular Augmentation via Policy-Guided Diffusion Inpainting
von: Zhang, Zheyu, et al.
Veröffentlicht: (2026)

On the Definition and Detection of Cherry-Picking in Counterfactual Explanations
von: Hinns, James, et al.
Veröffentlicht: (2026)

Comparing Explanations is Not Enough, Explain the Change: New Standards are Needed to Explain Behavioral Shifts in Large Language Models
von: Ciaperoni, Martino, et al.
Veröffentlicht: (2026)

TRADES: Generating Realistic Market Simulations with Diffusion Models
von: Berti, Leonardo, et al.
Veröffentlicht: (2025)

CURE: Controlled Unlearning for Robust Embeddings -- Mitigating Conceptual Shortcuts in Pre-Trained Language Models
von: Kocak, Aysenur, et al.
Veröffentlicht: (2025)

Beyond Edge Deletion: A Comprehensive Approach to Counterfactual Explanation in Graph Neural Networks
von: De Sanctis, Matteo, et al.
Veröffentlicht: (2026)

Robust Counterfactual Explanations in Machine Learning: A Survey
von: Jiang, Junqi, et al.
Veröffentlicht: (2024)

Interpretable and Fair Mechanisms for Abstaining Classifiers
von: Lenders, Daphne, et al.
Veröffentlicht: (2025)

Graph Edits for Counterfactual Explanations: A comparative study
von: Dimitriou, Angeliki, et al.
Veröffentlicht: (2024)

Mathematical Foundation of Interpretable Equivariant Surrogate Models
von: Colombini, Jacopo Joy, et al.
Veröffentlicht: (2025)

Game-theoretic Counterfactual Explanation for Graph Neural Networks
von: Chhablani, Chirag, et al.
Veröffentlicht: (2024)

AI, Meet Human: Learning Paradigms for Hybrid Decision Making Systems
von: Punzi, Clara, et al.
Veröffentlicht: (2024)

Semantically Guided Representation Learning For Action Anticipation
von: Diko, Anxhelo, et al.
Veröffentlicht: (2024)

Explaining k-Nearest Neighbors: Abductive and Counterfactual Explanations
von: Barceló, Pablo, et al.
Veröffentlicht: (2025)

GCFX: Generative Counterfactual Explanations for Deep Graph Models at the Model Level
von: Hu, Jinlong, et al.
Veröffentlicht: (2026)

Agnostic Visual Recommendation Systems: Open Challenges and Future Directions
von: Podo, Luca, et al.
Veröffentlicht: (2023)

Calibrated Explanations: with Uncertainty Information and Counterfactuals
von: Lofstrom, Helena, et al.
Veröffentlicht: (2023)

Distributional Counterfactual Explanations With Optimal Transport
von: You, Lei, et al.
Veröffentlicht: (2024)

Galaxy Morphology Classification with Counterfactual Explanation
von: Cao, Zhuo, et al.
Veröffentlicht: (2025)

The Effect of Data Poisoning on Counterfactual Explanations
von: Artelt, André, et al.
Veröffentlicht: (2024)

Interval Abstractions for Robust Counterfactual Explanations
von: Jiang, Junqi, et al.
Veröffentlicht: (2024)

A Comprehensive Survey on Inverse Constrained Reinforcement Learning: Definitions, Progress and Challenges
von: Liu, Guiliang, et al.
Veröffentlicht: (2024)

Counterfactual Explanations for Continuous Action Reinforcement Learning
von: Dong, Shuyang, et al.
Veröffentlicht: (2025)

On the Hardness of Computing Counterfactual and Semifactual Explanations in XAI
von: Artelt, André, et al.
Veröffentlicht: (2026)

Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations
von: Marzari, Luca, et al.
Veröffentlicht: (2024)

Generating Counterfactual Explanations Using Cardinality Constraints
von: Ruiz-Torrubiano, Rubén
Veröffentlicht: (2024)

Deep Backtracking Counterfactuals for Causally Compliant Explanations
von: Kladny, Klaus-Rudolf, et al.
Veröffentlicht: (2023)

Flexible Counterfactual Explanations with Generative Models
von: Hellemans, Stig, et al.
Veröffentlicht: (2025)

A Probabilistic Consensus-Driven Approach for Robust Counterfactual Explanations
von: Kostrzewa, Marcin, et al.
Veröffentlicht: (2026)

Explanations Go Linear: Post-hoc Explainability for Tabular Data with Interpretable Meta-Encoding
von: Piaggesi, Simone, et al.
Veröffentlicht: (2025)

Counterfactual Explanations for Deep Learning-Based Traffic Forecasting
von: Wang, Rushan, et al.
Veröffentlicht: (2024)

FLEX: Feature Importance from Layered Counterfactual Explanations
von: Keshtmand, Nawid, et al.
Veröffentlicht: (2025)

Counterfactual Training: Teaching Models Plausible and Actionable Explanations
von: Altmeyer, Patrick, et al.
Veröffentlicht: (2026)

RobustX: Robust Counterfactual Explanations Made Easy
von: Jiang, Junqi, et al.
Veröffentlicht: (2025)

The Impact of Machine Learning Uncertainty on the Robustness of Counterfactual Explanations
von: Christodoulou, Leonidas, et al.
Veröffentlicht: (2026)

Counterfactual Explanations with Probabilistic Guarantees on their Robustness to Model Change
von: Stępka, Ignacy, et al.
Veröffentlicht: (2024)

Probabilistically Plausible Counterfactual Explanations with Normalizing Flows
von: Wielopolski, Patryk, et al.
Veröffentlicht: (2024)