超越边删除：图神经网络中对抗性解释的全面方法
机器学习
2026-03-05 v1
摘要
图神经网络（GNN）在分子生物学和社交网络分析等领域日益普及，但其黑箱特性阻碍了可解释性和信任。尤其是在预测分子毒性、药物发现或指导金融反欺诈等高风险应用中，透明的解释至关重要。对抗性解释——改变模型预测的最小变更——提供了透明的窗口，帮助理解图神经网络的行为。本文引入了XPlore，一种新型技术，显著扩宽了对抗性搜索空间。其构成为邻接矩阵和节点特征矩阵上的梯度引导的扰动。与大多数旁有方法不同，后者仅关注边的删除，我们的方法属于优化边插入和节点特征扰动的技术类，其中在统一的梯度框架下联合进行，使对抗性解释的探索更为丰富且细致。为量化结构和语义保真度，我们引入了用于学习图嵌入的余弦相似度度量，解决了传统距离度量的一个关键局限性，并表明XPlore产生更连贯且更精简的对抗性解释。在13个真实基准和5个合成基准上的实验结果显示，与最先进的基线方法相比，有效性提升最高可达+56.3%，保真度提升最高可达+52.8%，而保持竞争的运行时性能。
引用
@article{arxiv.2603.04209,
title = {Beyond Edge Deletion: A Comprehensive Approach to Counterfactual Explanation in Graph Neural Networks},
author = {Matteo De Sanctis and Riccardo De Sanctis and Stefano Faralli and Paola Velardi and Bardh Prenkaj},
journal= {arXiv preprint arXiv:2603.04209},
year = {2026}
}