Buchumschlag

COMBINEX: A Unified Counterfactual Explainer for Graph Neural Networks via Node Feature and Structural Perturbations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Giorgi, Flavio, Silvestri, Fabrizio, Tolomei, Gabriele
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Countering Overfitting with Counterfactual Examples
von: Giorgi, Flavio, et al.
Veröffentlicht: (2025)

Generalizability vs. Counterfactual Explainability Trade-Off
von: Veglianti, Fabiano, et al.
Veröffentlicht: (2025)

Enhancing XAI Narratives through Multi-Narrative Refinement and Knowledge Distillation
von: Giorgi, Flavio, et al.
Veröffentlicht: (2025)

Evading Community Detection via Counterfactual Neighborhood Search
von: Bernini, Andrea, et al.
Veröffentlicht: (2023)

Natural Language Counterfactual Explanations for Graphs Using Large Language Models
von: Giorgi, Flavio, et al.
Veröffentlicht: (2024)

Counterfactual Explanations for Hypergraph Neural Networks
von: Veglianti, Fabiano, et al.
Veröffentlicht: (2026)

Evading Overlapping Community Detection via Proxy Node Injection
von: Loi, Dario, et al.
Veröffentlicht: (2025)

Evaluating Latent Knowledge of Public Tabular Datasets in Large Language Models
von: Silvestri, Matteo, et al.
Veröffentlicht: (2025)

Debiasing Machine Unlearning with Counterfactual Examples
von: Chen, Ziheng, et al.
Veröffentlicht: (2024)

Factorized Explainer for Graph Neural Networks
von: Huang, Rundong, et al.
Veröffentlicht: (2023)

UNR-Explainer: Counterfactual Explanations for Unsupervised Node Representation Learning Models
von: Kang, Hyunju, et al.
Veröffentlicht: (2026)

CoDy: Counterfactual Explainers for Dynamic Graphs
von: Qu, Zhan, et al.
Veröffentlicht: (2024)

Explaining the Explainers in Graph Neural Networks: a Comparative Study
von: Longa, Antonio, et al.
Veröffentlicht: (2022)

The Right to Hide: Masking Community Affiliation via Minimal Graph Rewiring
von: Silvestri, Matteo, et al.
Veröffentlicht: (2025)

COMRECGC: Global Graph Counterfactual Explainer through Common Recourse
von: Fournier, Gregoire, et al.
Veröffentlicht: (2025)

$\nabla τ$: Gradient-based and Task-Agnostic machine Unlearning
von: Trippa, Daniel, et al.
Veröffentlicht: (2024)

FSX: Message Flow Sensitivity Enhanced Structural Explainer for Graph Neural Networks
von: Feng, Bizu, et al.
Veröffentlicht: (2026)

Demystifying Sequential Recommendations: Counterfactual Explanations via Genetic Algorithms
von: Scarcelli, Domiziano, et al.
Veröffentlicht: (2025)

Renormalized Graph Representations for Node Classification
von: Caso, Francesco, et al.
Veröffentlicht: (2023)

BetaExplainer: A Probabilistic Method to Explain Graph Neural Networks
von: Sloneker, Whitney, et al.
Veröffentlicht: (2024)

PAGE: Parametric Generative Explainer for Graph Neural Network
von: Qiu, Yang, et al.
Veröffentlicht: (2024)

Adaptive Node Feature Selection For Graph Neural Networks
von: Navarro, Madeline, et al.
Veröffentlicht: (2025)

RAW-Explainer: Post-hoc Explanations of Graph Neural Networks on Knowledge Graphs
von: Kubo, Ryoji, et al.
Veröffentlicht: (2025)

Unifying Adversarial Perturbation for Graph Neural Networks
von: Yang, Jinluan, et al.
Veröffentlicht: (2025)

Towards Comprehensive and Prerequisite-Free Explainer for Graph Neural Networks
von: Zhang, Han, et al.
Veröffentlicht: (2025)

Heterogeneous Sheaf Neural Networks
von: Braithwaite, Luke, et al.
Veröffentlicht: (2024)

Mitigating Overfitting in Graph Neural Networks via Feature and Hyperplane Perturbation
von: Choi, Yoonhyuk, et al.
Veröffentlicht: (2022)

Early-Exit Graph Neural Networks
von: Di Francesco, Andrea Giuseppe, et al.
Veröffentlicht: (2025)

TinyGraph: Joint Feature and Node Condensation for Graph Neural Networks
von: Liu, Yezi, et al.
Veröffentlicht: (2024)

Improving Fairness in Graph Neural Networks via Counterfactual Debiasing
von: Wo, Zengyi, et al.
Veröffentlicht: (2025)

Beyond Predictions: A Participatory Framework for Multi-Stakeholder Decision-Making
von: Vineis, Vittoria, et al.
Veröffentlicht: (2025)

Link Prediction with Physics-Inspired Graph Neural Networks
von: Di Francesco, Andrea Giuseppe, et al.
Veröffentlicht: (2024)

Towards Desiderata-Driven Design of Visual Counterfactual Explainers
von: Bender, Sidney, et al.
Veröffentlicht: (2025)

Node Perturbation Can Effectively Train Multi-Layer Neural Networks
von: Dalm, Sander, et al.
Veröffentlicht: (2023)

RegExplainer: Generating Explanations for Graph Neural Networks in Regression Tasks
von: Zhang, Jiaxing, et al.
Veröffentlicht: (2023)

Towards Fair Graph Neural Networks via Graph Counterfactual without Sensitive Attributes
von: Wang, Xuemin, et al.
Veröffentlicht: (2024)

Formal Verification of Graph Convolutional Networks with Uncertain Node Features and Uncertain Graph Structure
von: Ladner, Tobias, et al.
Veröffentlicht: (2024)

Turning Federated Learning Systems Into Covert Channels
von: Costa, Gabriele, et al.
Veröffentlicht: (2021)

Boundary-Aware Uncertainty for Feature Attribution Explainers
von: Hill, Davin, et al.
Veröffentlicht: (2022)

Directional Sheaf Hypergraph Networks: Unifying Learning on Directed and Undirected Hypergraphs
von: Mule, Emanuele, et al.
Veröffentlicht: (2025)