COMBINEX：基于节点特征和结构扰动的图神经网络统一反事实解释器
机器学习
2025-02-17 v1
摘要
反事实解释已成为揭示图神经网络（GNN）决策过程的强大工具。然而，现有技术主要关注边缘修改，往往忽视节点特征扰动在塑造模型预测中的关键作用。为此，我们提出 COMBINEX，一种新的 GNN 解释器，用于生成针对节点和图分类任务的反事实解释。不同于先前方法将结构性和特征性变更独立处理的方式，COMBINEX 通过联合优化边缘和节点特征的扰动，实现对其修改的最小且有效的平衡。这种统一方法确保所需的最小且有效的更改，以翻转模型的预测，从而产生真实且可解释的反事实结果。此外，COMBINEX 无缝处理连续型和离散型节点特征，增强了其在多样数据集和 GNN 架构中的通用性。在真实数据集和各种 GNN 架构上的大规模实验表明，我们的方法相对于现有基线方法具有有效性和鲁棒性。
引用
@article{arxiv.2502.10111,
title = {COMBINEX: A Unified Counterfactual Explainer for Graph Neural Networks via Node Feature and Structural Perturbations},
author = {Flavio Giorgi and Fabrizio Silvestri and Gabriele Tolomei},
journal= {arXiv preprint arXiv:2502.10111},
year = {2025}
}