图神经网络可解释性的评估
机器学习
2023-01-18 v2 人工智能
摘要
随着事后解释日益用于理解图神经网络（GNNs）的行为，评估GNN解释的质量与可靠性变得至关重要。然而，评估GNN解释的质量具有挑战性，因为现有图数据集对于给定任务没有或仅有不可靠的 ground-truth 解释。在此，我们引入一个合成图数据生成器 ShapeGGen，它能生成多种基准数据集（例如，不同图尺寸、度分布、同配图与异配图）并附带 ground-truth 解释。此外，生成多样化合成数据集及相应 ground-truth 解释的灵活性使我们能够模拟各种真实世界应用所生成的数据。我们将 ShapeGGen 与多个真实世界图数据集集成到一个开源图可解释性库 GraphXAI 中。除带有 ground-truth 解释的合成与真实世界图数据集外，GraphXAI 还提供数据加载器、数据处理函数、可视化工具、GNN 模型实现以及评估指标，以基准测试 GNN 可解释性方法的性能。
引用
@article{arxiv.2208.09339,
title = {Evaluating Explainability for Graph Neural Networks},
author = {Chirag Agarwal and Owen Queen and Himabindu Lakkaraju and Marinka Zitnik},
journal= {arXiv preprint arXiv:2208.09339},
year = {2023}
}