FIGNN：图神经网络代理模型中基于特征的特定可解释性
机器学习
2025-06-16 v1 流体动力学
摘要
本工作提出了一种新型图神经网络(GNN)架构——特征特定可解释图神经网络(FIGNN)，旨在提升科学应用中定义在非结构化网格上的深度学习代理模型的可解释性。传统GNN通常掩盖多元预测任务中不同特征的独立空间影响。FIGNN通过引入特征特定池化策略来解决这一局限，使得每个预测变量的空间重要性可以独立归因。此外，在训练目标中引入了基于掩码的正则化项，以明确鼓励可解释性与预测误差之间的对齐，促进模型性能的局部归因。该方法在两个物理特性不同的系统上进行了评估：SPEEDY大气环流模型和反向台阶(BFS)流体动力学基准测试。结果表明，FIGNN在保持竞争性预测性能的同时，揭示了每个特征独有的物理上有意义的空间模式。展开稳定性分析、特征级误差预算和空间掩码叠加分析证实了FIGNN作为复杂物理领域中通用可解释代理建模框架的实用性。
引用
@article{arxiv.2506.11398,
title = {FIGNN: Feature-Specific Interpretability for Graph Neural Network Surrogate Models},
author = {Riddhiman Raut and Romit Maulik and Shivam Barwey},
journal= {arXiv preprint arXiv:2506.11398},
year = {2025}
}