EiG-Search：基于边生成图神经网络解释子图的线性时间算法

理解和解释图神经网络（GNN）的预测结果，对于增强其安全性和可信度至关重要。子图级别的解释因其直观的优势而受到关注。然而，现有大多数子图级别解释方法在解释GNN时面临效率挑战，due to复杂的搜索过程。关键挑战在于，在确保透明度的前提下，在直观性和效率之间找到平衡。此外，这些解释方法通常按节点诱导子图，这可能引入解释中的不直观的断开节点，或遗漏许多重要的子图结构。本文揭示了通过边诱导子图的解释方式比其他子图诱导技术更为全面。我们还强调了确定每个数据实例子图解释规模的必要性，因为不同的数据实例可能涉及不同的重要子结构。基于这些考虑，我们引入了一个无训练方法，称为EiG-Search。我们采用在边诱导子图上的高效线性时间搜索算法，其中边按增强梯度重要性进行排序。我们在七个数据集上进行了大量实验，证明其在定性和定量分析方面均优于领先的基线方法。