类人推理可解释
将异构图显式建模为结构因果模型，自动学习任务级因果关系，使预测过程与人类推理逻辑对齐，在分布外场景下显著提升泛化性和可解释性。
Lin, Tianqianjin · Song, Kaisong · 蒋卓人 · Kang, Yangyang · Weikang, Yuan · Xurui, Li · Sun, Changlong · Huang, Cui · Liu, Xiaozhong
Information Processing and Management 2024
在三个数据集、三种分布外设置下与七个基线模型对比，HG-SCM平均性能排名最高，且标准差最小，说明其预测能力和泛化性同时达到最优。
自动学习到的因果图与领域知识和人类认知一致，用户可以直接观察和学习模型内部的决策依据，而无需额外的解释工具。
HG-SCM的类人特性和增强的可解释性使其适用于需要透明度和可信度的特殊场景，如医疗、金融等。