图神经网络可解释性综述
机器学习
2023-06-06 v1 人工智能
摘要
图神经网络（GNNs）是基于图的强大深度学习模型，已在自然语言处理、药物发现和推荐系统等多个领域获得显著关注并展现出卓越性能。然而，特征信息与组合图结构的结合导致了复杂的非线性 GNN 模型。这进而增加了理解 GNN 工作机制及其预测背后深层原因的难度。为此，人们提出了大量可解释性方法以揭示 GNN 的内部机制。可解释的 GNN 提升了其安全性并增强了对推荐结果的信任。本综述旨在全面概述现有的 GNN 可解释性技术。我们创建了一种新颖的分类法与层级结构，依据目标与方法对这些方法归类。我们还讨论了每一类的优势、局限与应用场景。此外，我们强调了常用于评估 GNN 可解释性的关键评价指标与数据集。本综述旨在帮助研究者和从业者理解可解释性方法的现有格局、识别差距，并促进可解释基于图的机器学习的进一步进展。
引用
@article{arxiv.2306.01958,
title = {A Survey on Explainability of Graph Neural Networks},
author = {Jaykumar Kakkad and Jaspal Jannu and Kartik Sharma and Charu Aggarwal and Sourav Medya},
journal= {arXiv preprint arXiv:2306.01958},
year = {2023}
}
备注
submitted to Bulletin of the IEEE Computer Society Technical Committee on Data Engineering