图神经网络状态是否包含图结构性质？
机器学习
2026-01-30 v3 人工智能
摘要
深度神经网络 (DNNs) 在许多任务上取得了最先进性能，但这通常需要越来越大的模型规模，进而导致更复杂的内部表示。可解释性技术 (XAI) 在机器学习模型的可解释性方面取得了显著进展。然而，图神经网络 (GNNs) 的非欧几里得特性使得难以复用已有的 XAI 方法。虽然其他工作聚焦于 GNNs 的基于实例的解释方法，但很少有工作研究基于模型的方法，据我们所知，尚无工作尝试探测 GNNs 的嵌入以获取图结构性质。在本文中，我们提出了一种面向图神经网络 (GNNs) 的模型无关可解释性流水线，采用诊断分类器。我们提出将图论性质作为研究 GNNs 中表征涌现的首选特征。该流水线旨在探测和解释 GNNs 在不同架构和数据集上学到的表征，从而深化我们对这些模型的理解和信任。
引用
@article{arxiv.2411.02168,
title = {Do graph neural network states contain graph properties?},
author = {Tom Pelletreau-Duris and Ruud van Bakel and Michael Cochez},
journal= {arXiv preprint arXiv:2411.02168},
year = {2026}
}
备注
10 pages, 22 figures, conference