DT+GNN：一种基于决策树的全可解释图神经网络
机器学习
2022-05-27 v1
摘要
我们提出了全可解释的决策树图神经网络（DT+GNN）架构。与现有的黑盒 GNN 及事后解释方法不同，DT+GNN 的推理过程在每一步均可被检视。为此，我们首先构建了一个可微分的 GNN 层，其对节点和消息使用类别状态空间。这使我们能够将 GNN 中训练好的 MLP 转换为决策树。这些树通过我们新提出的方法进行剪枝，以确保其规模小且易于解释。我们也可利用决策树计算传统解释。我们在真实世界数据集与合成 GNN 可解释性基准上证明，该架构的性能与传统 GNN 相当。此外，我们利用 DT+GNN 的可解释性发现了许多此类数据集中有趣的见解，并取得了一些令人惊讶的结果。我们还提供了一个交互式网络工具来检视 DT+GNN 的决策过程。
引用
@article{arxiv.2205.13234,
title = {DT+GNN: A Fully Explainable Graph Neural Network using Decision Trees},
author = {Peter Müller and Lukas Faber and Karolis Martinkus and Roger Wattenhofer},
journal= {arXiv preprint arXiv:2205.13234},
year = {2022}
}