DyExplainer:可解释动态图神经网络
机器学习
2023-10-26 v1
摘要
图神经网络(GNNs)因其在从图结构数据中捕获表示方面的出色能力而重新成为热门研究课题。然而,GNNs 的黑盒性质在理解和信任这些模型方面带来了重大挑战,从而限制了其在关键任务场景中的实际应用。尽管近年来 GNN 解释领域取得了实质性进展,但其中大多数研究集中于静态图,动态 GNN 的解释在很大程度上仍未被探索。动态 GNN 具有不断演化的图结构,带来了独特挑战,需要额外努力以有效捕获时间依赖性和结构关系。为应对此挑战,我们提出 DyExplainer,一种在线解释动态 GNN 的新方法。DyExplainer 训练一个动态 GNN 主干在每个快照处提取图的表示,同时通过稀疏注意力技术探索结构关系和时间依赖性。为保留解释所需的属性(如结构一致性和时间连续性),我们通过对比学习技术增强该方法以提供先验引导的正则化。为建模更长期的时间依赖性,我们开发了基于缓冲区的实时更新训练方案。我们在多个数据集上的大量实验结果表明了 DyExplainer 的优越性,其不仅提供了对模型预测的忠实可解释性,还显著提升了模型预测精度,这一点在链接预测任务中得到了印证。
引用
@article{arxiv.2310.16375,
title = {DyExplainer: Explainable Dynamic Graph Neural Networks},
author = {Tianchun Wang and Dongsheng Luo and Wei Cheng and Haifeng Chen and Xiang Zhang},
journal= {arXiv preprint arXiv:2310.16375},
year = {2023}
}
备注
9 pages