通过概念与结构分析及其延伸，提高图神经网络的可解释性

图神经网络（GNNs）已成为建模和分析具有图结构数据的数据的强大工具。其在众多应用中的广泛采用凸显了这些模型的价值。然而，这些方法的复杂性往往阻碍了理解其决策过程。当前的可解释人工智能（XAI）方法难以理清图中复杂的关系和相互作用。已尝试通过后处理方法或自解释设计来弥合这一差距。大多数方法侧重于图结构分析，以确定与预测结果相关的关键模式。虽然后处理解释方法具有适应性，但需要额外的计算资源，且由于无法充分访问模型内部工作，可能不可靠。相反，可解释模型可以提供即时解释，但其对不同情景的可推广性仍是一个主要关切。为了解决这些不足之处，本论文旨在为图基于机器学习开发一种新型XAI框架。该框架旨在为GNNs提供灵活、计算效率高的解释，超越单个特征分析，捕捉图结构如何影响预测的机制。