通过归纳性赋能图神经网络上的反事实推理
机器学习
2023-06-09 v1 人工智能
社会与信息网络
摘要
图神经网络（GNNs）具有多种实际应用，如药物发现、推荐引擎和芯片设计。然而，GNNs 缺乏透明性，因为它们无法对其预测提供可理解的解释。为解决此问题，人们使用了反事实推理。其主要目标是对 GNN 的输入图进行极小改动以改变其预测。尽管已有若干针对 GNN 反事实解释的算法被提出，它们大多有两个主要缺陷。首先，它们仅将边删除视为扰动。其次，反事实解释模型是直推式的，意味着它们不能泛化到未见过的数据。在本研究中，我们引入了一种称为 INDUCE 的归纳式算法，克服了这些局限。通过在多个数据集上的大量实验，我们证明引入边添加相比现有方法能带来更好的反事实结果。此外，归纳式建模方法使 INDUCE 能直接预测反事实扰动，而无需针对特定实例的训练。这相比基线方法实现了显著的计算速度提升，并使得可扩展的 GNN 反事实分析成为可能。
引用
@article{arxiv.2306.04835,
title = {Empowering Counterfactual Reasoning over Graph Neural Networks through Inductivity},
author = {Samidha Verma and Burouj Armgaan and Sourav Medya and Sayan Ranu},
journal= {arXiv preprint arXiv:2306.04835},
year = {2023}
}