D4Explainer：基于离散去噪扩散的分布内图神经网络解释方法
机器学习
2023-10-31 v1 人工智能
摘要
图神经网络（GNN）的广泛部署引发了对其可解释性的重大关注，这在模型审计和确保可信图学习中起着至关重要的作用。GNN可解释性的目标是识别对模型预测影响最显著的底层图结构。确保所生成解释可靠需要考虑分布内（in-distribution）性质，特别是由于GNN对分布外数据具有脆弱性。遗憾的是，现有的可解释性方法往往将生成的解释约束在原始图的结构上，从而淡化了分布内性质的重要性，导致解释缺乏可靠性。为应对这些挑战，我们提出D4Explainer，一种为反事实与模型级解释场景提供分布内GNN解释的新方法。所提出的D4Explainer将生成式图分布学习纳入优化目标，实现了两个目标：1）为给定实例生成一组符合分布内性质的多样化反事实图；2）识别对特定类别预测贡献最大的判别性图模式，从而作为模型级解释。值得一提的是，D4Explainer是首个结合反事实与模型级解释的统一框架。在合成与真实世界数据集上的实证评估有力证明了D4Explainer在解释准确性、忠实性、多样性和鲁棒性方面达到了最先进的性能。
引用
@article{arxiv.2310.19321,
title = {D4Explainer: In-Distribution GNN Explanations via Discrete Denoising Diffusion},
author = {Jialin Chen and Shirley Wu and Abhijit Gupta and Rex Ying},
journal= {arXiv preprint arXiv:2310.19321},
year = {2023}
}
备注
Accepted at NeurIPS 2023, Camera Ready Version