COMRECGC：通过共同补救的全局图反事实解释器

图神经网络（GNNs）已广泛应用于社交网络、分子生物学或推荐系统等多个领域。与此同时，各种GNN解释方法应运而生，以补充其黑箱特性。GNN预测的解释可分为两类——事实解释和反事实解释。给定一个在二分类（“接受”和“拒绝”类）上训练的GNN，全局反事实解释包括生成一个与所有输入“拒绝”图相关的小型“接受”图集合。将一个“拒绝”图转换为一个“接受”图的过程称为补救。共同补救解释是一个小型补救集合，通过它每个“拒绝”图都可以转变为“接受”图。尽管局部反事实解释已被广泛研究，但为全局反事实解释寻找共同补救的问题，特别是对于GNN，仍未得到探索。在本文中，我们形式化了共同补救解释问题，并设计了一种有效的算法COMRECGC来解决它。我们在四个不同的真实世界图数据集上将我们的算法与强基线进行了基准测试，并证明了COMRECGC相对于竞争对手的优越性能。我们还将共同补救解释与图反事实解释进行了比较，表明共同补救解释要么相当，要么更优，使其值得在药物发现或计算生物学等应用中考虑。