图结构数据在现实世界中广泛存在，如社交网络、分子图和交易网络等。图神经网络(GNN)在图表征学习领域取得了显著成功，为各类下游任务提供了便利。然而，GNN仍存在诸多局限，包括缺乏可解释性、易继承数据偏差以及无法对因果关系进行建模等。近年来，图反事实学习为解决这些问题提供了新思路，在反事实公平性、可解释性、链路预测等图应用方向展现出了巨大潜力。为了推动这一有前景的研究方向，来自宾夕法尼亚州立大学的研究者们对图反事实学习领域的研究成果进行了系统梳理与分类。根据研究问题的不同，文章将现有方法划分为四大类别，针对每类研究提供背景和激励示例、概括现有工作的通用框架，并进行了详细回顾。同时，文章在图结构数据、反事实学习与现实应用的交叉领域中指出了有待探索的研究方向。为给后续研究提供全面资源支持，文章汇总整理了相关开源实现、公开数据集和常用评估指标。该文旨在构建对图反事实学习分类体系与现有资源的统一认知框架，为相关研究提供"一站式"参考指南。http://t.cn/A6kK9uRQ #人工智能[超话]##机器学习[超话]##图神经网络##图反事实学习#