标签
本文介绍了G2I，一个两阶段贪心框架，它使用可解释的图神经网络（GNN）解释来生成可操作的干预假设，相较于现有的基于掩码的反事实方法，提高了在公共卫生和社会科学应用中的效率。
本文为具有无限维输入的浅层神经网络模型开发了构造性近似和学习保证，将误差分离为坐标截断、网络宽度和样本大小组件，以实现统一的理论分析。
证明了线性回归中近视贝叶斯主动学习贪心算法的紧近似比，并确定了最大初始杠杆分数作为关键量。