基于结构外部性的可解释图神经网络
机器学习
2025-07-25 v1 人工智能
计算机科学与博弈论
综合经济学
经济学
摘要
图神经网络（GNNs）在广泛的图相关任务中取得了卓越的性能。然而，其“黑箱”性质为可解释性带来了重大挑战，现有方法往往难以有效捕捉图中节点间复杂的相互作用模式。本文提出一种新型可解释性框架 GraphEXT，利用合作博弈论和社会外部性概念。GraphEXT 将图节点划分为联盟，将原图分解为互不依赖的子图。通过将图结构作为外部性纳入模型，并融合外部性下的Shapley值，GraphEXT 量化了节点在节点之间转换联盟时，对GNN预测的边际贡献。与传统基于Shapley值的做法不同，GraphEXT 更强调节点间的相互作用以及结构变更对GNN预测的影响。实验表明，在合成数据集和真实世界数据集上，GraphEXT 在多样化的GNN架构下均在忠实度方面超越现有基线方法，显著提升了GNN模型的可解释性。
引用
@article{arxiv.2507.17848,
title = {Explainable Graph Neural Networks via Structural Externalities},
author = {Lijun Wu and Dong Hao and Zhiyi Fan},
journal= {arXiv preprint arXiv:2507.17848},
year = {2025}
}