用大型语言模型解释图神经网络: 面向分子性质预测的反事实视角
机器学习
2024-10-22 v1 计算与语言
生物大分子
摘要
近年来,图神经网络(GNNs)在毒性分析等分子性质预测任务中取得了成功。然而,由于GNNs的黑盒特性,其输出在高风险决策场景(如药物发现)中可能引发担忧。针对这一问题,图反事实解释(GCE)已成为提升GNN透明度的有前景的方法。然而,当前的GCE方法通常未能考虑领域特定知识,导致生成的解释可能难以被人类理解。为应对这一挑战,我们提出了一种新的GCE方法——LLM-GCE,以利用大型语言模型(LLMs)的能力来解释用于分子性质预测的GNNs。具体而言,我们利用一个自编码器,从一组反事实文本对(CTPs)中生成反事实图结构。同时,我们引入了一个CTP动态反馈机制,利用生成的反事实作为中间反馈,以缓解LLM幻觉问题,提供更可靠的指导。大量实验证明了LLM-GCE的有效性。我们的代码已发布在 https://github.com/your-repo-link。
关键词
引用
@article{arxiv.2410.15165,
title = {Explaining Graph Neural Networks with Large Language Models: A Counterfactual Perspective for Molecular Property Prediction},
author = {Yinhan He and Zaiyi Zheng and Patrick Soga and Yaozhen Zhu and yushun Dong and Jundong Li},
journal= {arXiv preprint arXiv:2410.15165},
year = {2024}
}