用于药物反应预测的多关系图神经网络中可控的边类型特定解释
机器学习
2024-09-04 v2 人工智能
摘要
图神经网络已广泛应用于需要可解释预测的关键决策领域，促进了可解释性算法的蓬勃发展。然而，当前的图可解释性算法往往强调通用性而忽视生物学意义，从而限制了其在预测癌症药物反应中的适用性。本文提出了一种用于癌症药物反应预测的新型事后可解释性算法 CETExplainer，该算法引入了可控的边类型特定加权机制。它考虑了子图与预测之间的互信息，提出了一种结构化评分方法，为预测模型提供细粒度且具有生物学意义的解释。我们还引入了一种基于真实世界数据集构建真值的方法，以定量评估所提出的可解释性算法。在真实世界数据集上的实证分析表明，与领先算法相比，CETExplainer 取得了卓越的稳定性并提高了解释质量，从而为癌症药物预测提供了一个稳健且富有洞察力的工具。
引用
@article{arxiv.2408.17129,
title = {Controllable Edge-Type-Specific Interpretation in Multi-Relational Graph Neural Networks for Drug Response Prediction},
author = {Xiaodi Li and Jianfeng Gui and Qian Gao and Haoyuan Shi and Zhenyu Yue},
journal= {arXiv preprint arXiv:2408.17129},
year = {2024}
}