超越拓扑自解释 GNN：一种形式化可解释性视角
机器学习
2025-06-26 v2
摘要
自解释图神经网络（SE-GNN）是流行的设计即解释型 GNN，但其解释的性质和局限性尚未被充分理解。我们的第一个贡献通过形式化一些流行 SE-GNN 提取的解释（称为最小解释（ME）），并将其与既定的解释概念（即质蕴含（PI）和忠实解释）进行比较，填补了这一空白。我们的分析表明，对于一类受限但重要的任务，ME 与 PI 解释相匹配。然而，在一般情况下，它们可能不如 PI 解释信息丰富，并且令人惊讶地与广泛接受的忠实性概念不一致。尽管忠实解释和 PI 解释信息丰富，但它们难以找到，并且我们证明它们可能大得令人望而却步。鉴于这些观察，一个自然的选择是用替代解释模态来增强 SE-GNN，以解决 SE-GNN 的局限性。为此，我们提出了双通道 GNN，它集成了一个白盒规则提取器和一个标准的 SE-GNN，自适应地结合两个通道。我们的实验表明，即使是双通道 GNN 的一个简单实例，也能恢复简洁的规则，并且性能与广泛使用的 SE-GNN 相当或更好。
引用
@article{arxiv.2502.02719,
title = {Beyond Topological Self-Explainable GNNs: A Formal Explainability Perspective},
author = {Steve Azzolin and Sagar Malhotra and Andrea Passerini and Stefano Teso},
journal= {arXiv preprint arXiv:2502.02719},
year = {2025}
}