基于节点移除影响的快速图神经网络推断方法

图神经网络（GNN）被广泛用于捕捉图中的信息传播模式。在取得显著性能的同时，评估节点影响力成为一个新兴的热门话题。我们提出了一种评估节点影响力的新方法，该方法衡量移除一个节点后，已训练的 GNN 模型预测结果的变化。一个现实世界的应用是：“在预测 Twitter 账号极性的任务中，如果某个特定账号被移除，其他账号的极性将如何变化？”我们将 GNN 用作代理模型，其预测可以模拟由节点移除引起的节点或边的变化。我们的目标是为每个节点获取影响力分数，一种直接的方法是交替移除每个节点，并将已训练的 GNN 应用于修改后的图以生成新的预测。这种方法可靠但耗时，因此我们需要一种高效的方法。相关工作，如图对抗攻击和反事实解释，由于其问题设定不同，无法直接满足我们的需求。我们提出了一种高效、直观且有效的方法——基于节点移除的快速 GNN 推断（NORA），该方法利用梯度信息来近似节点移除的影响。它仅需一次前向传播和一次反向传播即可近似所有节点的影响力分数。在六个数据集和六个 GNN 模型上的大量实验验证了 NORA 的有效性。我们的代码可在 https://github.com/weikai-li/NORA.git 获取。