CF-GNNExplainer：图神经网络的反事实解释
机器学习
2022-02-24 v4 人工智能
摘要
鉴于图神经网络（GNN）在真实世界应用中的前景日益增强，已开发多种方法解释其预测。现有解释 GNN 预测的方法主要聚焦于生成与特定预测特别相关的子图。然而，此类方法本质上并非反事实（CF）：给定预测，我们希望理解如何改变预测以实现替代结果。本工作中，我们提出一种生成 GNN 的 CF 解释的方法：使预测改变的对输入（图）数据的最小扰动。仅使用边删除，我们发现所提方法 CF-GNNExplainer 能在三个广泛使用的 GNN 解释数据集上，为大多数实例生成 CF 解释，同时平均删除少于 3 条边，且准确率至少 94%。这表明 CF-GNNExplainer 主要移除对原始预测至关重要的边，从而产生最小 CF 解释。
引用
@article{arxiv.2102.03322,
title = {CF-GNNExplainer: Counterfactual Explanations for Graph Neural Networks},
author = {Ana Lucic and Maartje ter Hoeve and Gabriele Tolomei and Maarten de Rijke and Fabrizio Silvestri},
journal= {arXiv preprint arXiv:2102.03322},
year = {2022}
}
备注
Accepted to AISTATS 2022