仅打破预测不够：针对时序图的指定-反例反事实方法

# 打破预测不足：时序图的指定对照反事实
来源：https://arxiv.org/html/2609.11170
Young\-guk Ha††注：M\. Yu 和 Y\.\-g\. Ha 隶属于韩国首尔建国大学计算机科学与工程系智能计算实验室，邮编 05029。电子邮箱：\{snowypainter, ygha\}@konkuk\.ac\.kr。Y\.\-g\. Ha 为通讯作者。

###### 摘要

时序图反事实解释通常通过改变过去事件来改变或使原始预测失效，但不会指定其替代方案。然而，面对预测结果的用户常会追问：哪些过去条件会导致特定的替代结果发生？我们将这一目标明确的问题表述为指定对照反事实：给定原始预测AA与搜索前固定的对照BB，寻找一种低成本的过去事件干预，使得同一预测器在干预后将BB选为首选结果。我们的轨迹引导干预搜索方法，通过对比AA的完整执行与BB的重构不完整执行，将它们的差异映射为删除、插入、重连、重标记和移位操作，并通过精确重放验证BB成为首选。我们在连续时间动态图（CTDG）上使用LiFTER、在时序知识图（TKG）上使用TLogic实例化了这一原则。在CTDG上，该方法保留了85.7%–93.6%的黑箱贪心搜索成功率，同时将预测器评估次数减少了75.0%–80.0%；在TKG上，在600次比较中有74.8%达到了指定的对照目标。因此，可执行轨迹成为构建未选替代结果条件的计算结构，而不仅仅是用于解释已做出预测的记录。

###### 索引术语：

时序图学习，反事实解释，对比解释，神经符号推理，时序知识图。

## I 引言

对演化图的预测需从多个可能的未来中选择一个结果。时序图学习通过两大形式体系研究这一问题。时序知识图（TKGs）表示带时间戳的关系事实和逻辑规则，而连续时间动态图（CTDGs）则建模交互流并预测未来的链接。然而，对于过去事件需如何改变才能产生特定的替代结果BB而非预测的未来AA，尚未被直接研究。

反事实解释旨在寻找微小的输入变化，使同一预测器选择替代结果。人类的解释请求通常具有对比性：将事实与一个对照进行比较[1 (https://arxiv.org/html/2609.11170#bib.bib2), 2 (https://arxiv.org/html/2609.11170#bib.bib1)]。在时序链接预测中，由于存在多种竞争结果，改变原始预测与选择一个期望的替代结果是不同的目标。我们研究的是在冻结预测器学习到的时序世界内验证的模型级反事实。将此类答案扩展到现实世界的因果反事实需要显式的因果模型和相应的识别假设[3 (https://arxiv.org/html/2609.11170#bib.bib3)]。

现有的时序反事实解释器主要实现*预测失效*。CoDy将通过过去事件删除改变原始未来链接预测定义为成功[4 (https://arxiv.org/html/2609.11170#bib.bib15)]；TemGX类似地识别一个时间子图，其移除会改变原始预测[5 (https://arxiv.org/html/2609.11170#bib.bib16)]。CTM-Explainer的定量评估也集中于基于删除的事件选择和原始分数的变化[6 (https://arxiv.org/html/2609.11170#bib.bib17)]。我们用预测失效来指代这一类目标，它识别原始预测所依赖的事件，但不指定其替代方案。一旦AA失去首选位置，选择BB、CC或任何其他结果都满足相同的准则。

考虑一个预测战场上士兵下一个状态的时序事件图。如果模型预测死亡，预测失效会识别出移除后能消除该预测的过去事件。然而，替代结果可能是重伤、失踪或其他状态。将存活指定为对照则提出了一个更尖锐的问题：*模型预测存活而非死亡，过去需要有何不同？* 假设完整的死亡执行路径为暴露于敌人→枪击→延迟撤离→死亡，而一个不完整的存活执行缺少及时撤离。相应的答案可能是移除枪击事件、改变撤离时间或改变医疗支持的绑定。结果是在预测器内验证的反事实解释，而非保证现实世界中存活的因果方案。

我们将这一问题表述为时序图学习中跨TKGs和CTDGs的指定对照反事实问题。给定原始预测AA和搜索前固定的对照BB，任务是识别使同一预测器选择BB而非AA的过去事件变化。每个成功的指定对照干预也会使AA失效，而使AA失效的干预不一定选择BB。因此，明确的目标将时序反事实解释从改变当前答案强化为构建特定替代结果的条件。

这种区别之所以重要，是因为未来链接预测本质上是多替代的。在我们受控的失效研究中，忽略对照的干预在4008个CTDG案例中改变了AA，但仅在3.6%和1.4%的案例中达到了预先指定的Rank-5和Rank-10对照。在TKGs中，122个成功的失效干预无一达到Rank-5或Rank-10对照。改变AA可以提升一个接近的次优结果，但通常不会导航到一个指定的替代目标。明确的对照使得测量哪些过去事件变化将AA与BB分离、BB是否在局部可达以及这种转换的成本成为可能。因此，该任务刻画了由模型表示的替代未来的可达性边界。

更强的目标显著扩大了黑箱搜索空间。在没有内部执行访问权限的情况下，解释器必须提出一个编辑方案，重新运行预测器，观察输出，并重复执行。即使是预测失效也需要局部性约束、时间影响和事件影响启发式方法以及蒙特卡洛树搜索来识别移除集合。指定对照还引入了插入、替代端点和时间戳。黑箱方法可以通过足够的计算来验证一个解决方案，但它必须仅通过输出反馈探索输入空间来发现该解决方案。

可执行的神经符号预测器提供了另一条途径。它们的轨迹揭示了确立原始预测的基本事实、实体绑定和时间条件。将规则重新接地到对照也能重构部分执行并揭示其缺失条件。我们的轨迹引导干预搜索对比了原始预测的完整执行与对照的重构不完整执行，将它们的差异映射到删除、插入、重连、重标记和移位操作，然后在编辑后的事件集上精确重放预测器以验证对照成为首选。

如第II节(https://arxiv.org/html/2609.11170#S2)所述，先前工作分别在知识图（KGs）中研究了事实干预和溯因推理，在TKGs中研究了可执行的时序推理，在CTDGs中研究了事实解释和预测失效。我们通过原始预测和指定对照之间的时间干预将这些线索联系起来。我们的贡献如下：

- • 我们为TKGs和CTDGs统一表述了指定对照反事实问题，将原始预测AA、指定对照BB、允许的过去事件干预和精确重放成功结合在一个目标中。
- • 我们从时序事件的存在性、端点、关系和时间坐标导出了删除、插入、重连、重标记和移位操作，并定义了干预成本和有界最小性。
- • 我们引入了轨迹引导干预搜索，它将原始完整执行与对照的重构不完整执行之间的差异映射为时间编辑。因此，基本轨迹成为合成替代结果条件的计算接口。
- • 我们在基于LiFTER的CTDGs和基于TLogic的TKGs中独立实例化了同一原则，并评估了可达性、目标指定、搜索效率、穷举恢复、稳定性和执行级案例研究。

符号轨迹不仅仅是用于解释预测的副产品；它是一个可执行的结构，可以通过它直接构建事后搜索通常猜测的干预方案。

在12,000次CTDG比较中，仅删除操作只能达到指定替代结果的一个子集；插入、重连、移位以及双编辑组合开辟了额外的解决方案。轨迹引导干预搜索在减少75–80%预测器评估次数的同时，保留了85.7–93.6%的黑箱贪心搜索成功率。在允许穷举枚举的有界空间内，它使用大约9%的评估次数恢复了74.9–91.4%的已发现解决方案。在ICEWS14和ICEWS18上的600次TKG比较中，该方法在74.8%的案例中达到了指定对照，并使用大约16.6%的评估次数恢复了97.9–100%的穷举解决方案。CTDG交互轨迹与TKG关系证明路径的共同行为支持执行反转作为可执行时序推理的一般原则，而非LiFTER评分函数特有的机制。

第V-G节(https://arxiv.org/html/2609.11170#S5.SS7)通过执行过程追踪了代表性解决方案。一个CTDG案例在删除单个过去交互后改变了预测的学习内容；一个TKG案例在将“协商意图”事实的时间推移三天后，将预测的咨询伙伴从Moon Jae-in变更为Benjamin Netanyahu。

## II 相关工作

### II-A 反事实与对比解释

反事实解释识别导致预测器产生替代结果的微小输入变化[1 (https://arxiv.org/html/2609.11170#bib.bib2), 2 (https://arxiv.org/html/2609.11170#bib.bib1)]。反转二元决策会自动确定其替代结果。然而，在多类别和结构化预测中，由于可能有多个替代方案，必须指定一个对照。我们将这种区分带入时序图预测，其中多个未来链接相互竞争。我们的解释是在冻结预测器中验证的模型级干预；关于现实世界的因果声明还需要额外的因果模型和识别假设[3 (https://arxiv.org/html/2609.11170#bib.bib3)]。

### II-B 知识图上的反事实推理

知识图研究已经探索了对事实的显式干预。Pezeshkpour等人搜索改变链接预测的单事实添加和删除[7 (https://arxiv.org/html/2609.11170#bib.bib4)]。Imagine生成改变目标三元组排名的合理三元组[8 (https://arxiv.org/html/2609.11170#bib.bib5)]。CFKGR插入假设前提，并通过逻辑规则评估从中得出的事实[9 (https://arxiv.org/html/2609.11170#bib.bib6)]。溯因推理则推断能够解释观察到的结论的逻辑假设[10 (https://arxiv.org/html/2609.11170#bib.bib7)]。这些工作为事实干预、目标导向的修改和逆向推理提供了基础。我们将它们与原始-对照对比相结合，以识别建立指定未来链接的过去事件干预。

### II-C 时序知识图中的可执行推理

TKGs将事实表示为四元组\((s,r,o,t)\)，使关系、实体绑定和时间成为显式的推理变量。TLogic从时间随机游走中提取规则，并通过时间一致的接地预测未来事实[11 (https://arxiv.org/html/2609.11170#bib.bib8)]。TILP在可微分的时间规则中学习周期性、时间顺序、区间和持续时间[12 (https://arxiv.org/html/2609.11170#bib.bib9)]。TFLEX将实体上的逻辑运算符与时间运算符相结合[13 (https://arxiv.org/html/2609.11170#bib.bib10)]；TEILP根据满足规则的事件和时间区间预测事件时间[14 (https://arxiv.org/html/2609.11170#bib.bib11)]；而INFER将时间有效性和频率纳入神经符号规则应用[15 (https://arxiv.org/html/2609.11170#bib.bib12)]。这些模型明确执行了预测所依据的事实、绑定和时间条件。我们利用该执行结构，从完整的原始接地和不完整的对照接地构建编辑方案。

### II-D 连续时间动态图的解释

CTDG的可解释性集中在识别与未来链接预测相关的过去事件上。T-GNNExplainer搜索保留原始预测的事实事件子集[16 (https://arxiv.org/html/2609.11170#bib.bib13)]，而TempME通过时间模体解释预测[17 (https://arxiv.org/html/2609.11170#bib.bib14)]。在反事实方法中，CoDy通过时空邻近性和启发式策略限制候选事件，然后应用MCTS找到一个能改变原始预测的移除集合[4 (https://arxiv.org/html/2609.11170#bib.bib15)]。TemGX使用结构影响力和时间衰减对可移除的时间子图进行排名，然后验证预测变化[5 (https://arxiv.org/html/2609.11170#bib.bib16)]。CTM-Explainer概念化了移除和合成添加，但其定量评估集中于基于删除的选择和原始分数的变化[6 (https://arxiv.org/html/2609.11170#bib.bib17)]。

T-GNNExplainer和TempME恢复原始预测的事实证据；CoDy和TemGX恢复使其失效的反事实移除。而指定对照反事实则接收替代未来链接作为输入，并要求该精确对照成为首选。因此，我们评估了失效与指定对照成功之间的经验区别，并在相同的指定对照目标下，比较了黑箱输出反馈与可执行轨迹。

## III 问题表述

时序预测对多个可能的未来进行评分并选择一个。因此，改变原始预测并不决定反事实的目标。假设一个模型预测患者的下一个状态是恶化AA。移除一个过去事件可能降低AA的排名，但替代结果可能是稳定状态BB或其他并发症CC。预测失效接受任一结果，而关于稳定性的干预只有选择BB的干预才能回答。

这种区别类似于打破一条路线与构建一条通往指定目标的路线。预测失效通过破坏通往AA的任何路径来成功。指定对照反事实首先固定目标BB，并寻找连接当前时间事实到该目标的最接近变化。这可能需要删除以移除对AA的支持，插入以提供BB缺失的事实，重连以改变实体绑定，或移位以满足时间条件。因此，对照是决定反事实问题的输入，而非辅助评估标签。

### III-A 可执行时序预测

令F<Tq表示在查询时间Tq之前可用的时序事实，令Y∈Yq表示...