基于离散扩散的异构图神经网络节点特征模型级解释
机器学习
2026-02-05 v2
摘要
许多真实数据集（如引用网络、社交网络和分子结构）自然表示为异构图，其中节点属于不同类型并具有附加特征。例如，在引用网络中，代表“论文”或“作者”的节点可能包括诸如关键词或机构 affiliation 等属性。异构图神经网络（HGNN）在这些情境中表现良好，但其预测仍不透明。现有的后置解释方法不支持节点特征 beyond 对节点类型的 one-hot 编码，常常难以生成真实可信的解释。为此，我们提出 DiGNNExplainer，一种通过离散去噪扩散合成具有真实节点特征的异构图的模型级解释方法。具体而言，我们在离散空间中使用扩散模型生成真实的离散特征（如词袋特征），而以往方法仅限于连续空间。我们在多个数据集上评估了该方法，表明 DiGNNExplainer 生成的解释在真实性和忠实性方面优于最先进的方法。
引用
@article{arxiv.2508.08458,
title = {Discrete Diffusion-Based Model-Level Explanation of Heterogeneous GNNs with Node Features},
author = {Pallabee Das and Stefan Heindorf},
journal= {arXiv preprint arXiv:2508.08458},
year = {2026}
}
备注
Accepted at WWW 2026. Camera-ready version