本研究提出了一种新的反事实解释方法，通过生成不相关特征的新组合来评估AI模型预测是否受特定属性的影响。实验证明该方法在多个模型和数据集上具有实用价值。

该论文评估了扰动解释性方法在图神经网络中的作用，发现某些方法在噪声存在时表现出较高的效果和稳定性。同时，反事实解释方法在特定领域的拓扑约束下存在可行性问题。研究提出了进一步改进的研究问题和实际应用的影响。