近日，人工智能领域的权威学术会议The 40th Annual AAAI Conference on Artificial Intelligence (AAAI 2026) 公布了Main Track论文接收结果，二年级硕士研究生陈林茂作为1作的论文“Generating in-distribution counterfactual explanation for graph neural networks”以Oral形式获得录用，将获邀参加大会的现场口头报告。AAAI是中国计算机学会（CCF）认定的A类国际会议，本届会议将于2026年1月20日至27日在新加坡举行，共收到23680份有效投稿，最终接收论文4167篇，录用率为17.6%，其中Oral论文占比20%左右。  

附论文基本信息：
标题：Generating in-distribution counterfactual explanation for graph neural networks 
作者：陈林茂（华南师范大学）、贺超波（华南师范大学 通讯作者）、程俊伟（华南师范大学）、李春英（广东技术师范大学）、官全龙（暨南大学）
摘要：图神经网络（GNN）由于其处理图结构数据的强大能力而受到越来越多的关注，但其可解释性仍然是一个重大的挑战。一种有效的解决方案是为GNN模型提供反事实解释，其目的是回答“应该如何扰动输入实例以改变模型的预测？”.现有的工作主要关注于生成可以有效改变模型预测的解释，但忽略了解释是否与原始数据分布保持一致，从而导致分布漂移问题。为了解决该问题，提出了一种称为ICExplainer的新方法，用于在原始分布内生成解释。具体而言，ICExplainer将基于图扩散的生成模型引入反事实推理，将其视为图分布学习的优化目标。使用变分推理估计输入图的真实分布，以保留基本的结构和语义信息，然后推断的分布作为指导反向过程的先验知识，以确保生成的解释既是反事实的，又是分布一致的。在真实和合成的数据集上进行了大量实验，结果验证了ICExplainer的优异性能。