图神经网络的任意阶 Shapley 互动的精确计算
机器学习
2025-03-18 v2 人工智能
摘要
尽管图神经网络 (GNN) 在涉及图结构数据的机器学习 (ML) 预测任务中广泛应用，但其可解释性仍具挑战。在可解释人工智能 (XAI) 中，Shapley 值 (SV) 是衡量单个特征对 ML 模型输出贡献的主要方法。为解决 SV 在复杂预测模型中的局限性，Shapley 互动 (SI) 将 SV 扩展到特征组。本文通过 SI 来解释 GNN 的单个图预测，量化节点贡献及多个节点之间的相互作用。通过利用 GNN 架构，我们展示节点嵌入中的相互作用结构在图预测中得以保留。因此，SI 的指数复杂度仅取决于感受场，即由图的连通性和卷积层数确定的消息传递范围。基于我们的理论结果，我们引入了 GraphSHAP-IQ，以高效方式精确计算任意阶 SI。GraphSHAP-IQ 可适用于线性全局池化和输出层的流行消息传递技术。我们展示，GraphSHAP-IQ 在多个基准数据集上大幅降低了计算精确 SI 的指数复杂度。除精确计算外，我们评估 GraphSHAP-IQ 对流行 GNN 架构的 SI 近似，并与现有基线方法进行比较。最后，我们使用 SI-Graph 可视化实际的水力分布网络和分子结构的 SI。
引用
@article{arxiv.2501.16944,
title = {Exact Computation of Any-Order Shapley Interactions for Graph Neural Networks},
author = {Maximilian Muschalik and Fabian Fumagalli and Paolo Frazzetto and Janine Strotherm and Luca Hermes and Alessandro Sperduti and Eyke Hüllermeier and Barbara Hammer},
journal= {arXiv preprint arXiv:2501.16944},
year = {2025}
}
备注
Preprint Version. Accepted at ICLR 2025