基于学习移除式归因的高效 GNN 解释
机器学习
2023-06-12 v1 人工智能
摘要
随着图神经网络（GNNs）在现实应用中的广泛使用，模型解释不仅被用户所需，也被法律法规所要求。然而，在生成解释时同时实现高保真度和低计算成本一直是现有方法的挑战。本工作中，我们提出一个名为 LeArn Removal-based Attribution（LARA）的 GNN 解释框架以解决该问题。具体而言，我们引入移除式归因，并从理论和实验上证明其与被解释保真度之间的实质联系。LARA 中的解释器学习生成移除式归因，从而能够提供高保真度的解释。LARA 中设计了一种子图采样策略以提升训练过程的可扩展性。在部署时，LARA 可通过一次前馈传播高效生成解释。我们在六个数据集上将我们的方法与其它最先进的 GNN 解释方法进行基准比较。结果凸显了我们的框架在效率和保真度两方面的有效性。特别地，在大型数据集 ogbn-arxiv（超过 16 万节点和 100 万边）上，LARA 比最先进方法快 3.5 倍且达到更高保真度，显示出其在现实应用中的巨大潜力。我们的源代码可在 https://anonymous.4open.science/r/LARA-10D8/README.md 获取。
引用
@article{arxiv.2306.05760,
title = {Efficient GNN Explanation via Learning Removal-based Attribution},
author = {Yao Rong and Guanchu Wang and Qizhang Feng and Ninghao Liu and Zirui Liu and Enkelejda Kasneci and Xia Hu},
journal= {arXiv preprint arXiv:2306.05760},
year = {2023}
}