BetaExplainer：一种解释图神经网络的概率方法
机器学习
2024-12-17 v1 机器学习
摘要
图神经网络 (GNNs) 是对图数据进行推理的强大工具，但由于难以提取驱动预测性能的有意义的子网络，通常被视为“黑盒”。现有的许多可解释 GNN 方法无法量化边权重的不确定性，且在应用于具有挑战性的图结构时预测精度会受损。在本工作中，我们提出了 BetaExplainer，它通过在模型训练期间使用稀疏诱导先验来掩盖不重要的边，从而解决了这些问题。为了评估我们的方法，我们检验了各种具有不同现实世界特征的模拟数据集。与最先进的解释器方法相比，该实现不仅提供了边重要性不确定性的概念，还在具有挑战性的数据集上改进了评估指标。
引用
@article{arxiv.2412.11964,
title = {BetaExplainer: A Probabilistic Method to Explain Graph Neural Networks},
author = {Whitney Sloneker and Shalin Patel and Michael Wang and Lorin Crawford and Ritambhara Singh},
journal= {arXiv preprint arXiv:2412.11964},
year = {2024}
}