ARM-Explainer：基于节点特征和关联规则挖掘的图神经网络预测解释方法
机器学习
2025-12-01 v1 最优化与控制
摘要
已提出众多基于图神经网络（GNN）的算法以求解图基组合优化问题（COP），但用于解释其预测的方法仍大多未发展。我们引入ARM-Explainer，这是一种基于关联规则挖掘的后置模型级解释器，并在求解最大团问题（MCP）的混合几何散射（HGS）GNN预测上进行演示。ARM-Explainer发现的八大最具解释性关联规则在TWITTER和BHOSLIB-DIMACS基准数据集的测试实例上实现了高值的中位数提升和置信度，分别为2.42和0.49。ARM-Explainer识别出影响GNN预测的最重要节点特征及其取值范围。此外，向GNN增补信息化节点特征可显著提升其在MCP上的性能，将BHOSLIB-DIMACS数据集中大型图的最大找到团大小中位数提高22%（从29.5提高到36）。
引用
@article{arxiv.2511.22866,
title = {ARM-Explainer -- Explaining and improving graph neural network predictions for the maximum clique problem using node features and association rule mining},
author = {Bharat Sharman and Elkafi Hassini},
journal= {arXiv preprint arXiv:2511.22866},
year = {2025}
}