解释图神经网络中的解释器：一项比较研究
机器学习
2026-05-04 v3 人工智能
摘要
在基于图的学习取得初步突破之后，图神经网络（GNNs）已在许多科学和工程领域得到广泛应用，这催生了理解其决策过程的方法需求。GNN解释器近年来开始涌现，出现了大量新颖或从其他领域改编的方法。为了梳理这众多的替代方法，已有几项研究从各种可解释性指标的角度对不同的解释器性能进行了基准测试。然而，这些早期工作并未尝试提供关于为何不同GNN架构或多或少可解释，或在给定设置下应优先选择哪种解释器的见解。在本综述中，我们通过设计一项系统的实验研究来填补这些空白，该研究在六个精心设计的图和节点分类数据集上训练了八种代表性架构，并测试了十种解释器。通过我们的结果，我们提供了关于GNN解释器选择和适用性的关键见解，分离出使其可用和成功的关键组件，并就如何避免常见的解释陷阱提供了建议。最后，我们指出了悬而未决的问题和未来可能的研究方向。
引用
@article{arxiv.2210.15304,
title = {Explaining the Explainers in Graph Neural Networks: a Comparative Study},
author = {Antonio Longa and Steve Azzolin and Gabriele Santin and Giulia Cencetti and Pietro Liò and Bruno Lepri and Andrea Passerini},
journal= {arXiv preprint arXiv:2210.15304},
year = {2026}
}