从二进制到连续：面向稳健图解释的随机重加权

图神经网络（GNN）在广泛的图相关学习任务中取得了显著的性能，但解释其预测仍然是一个具有挑战性的问题，尤其是由于在解释期间使用的图与训练期间使用的图之间的不匹配。大多数现有方法在加权图上优化软边掩码以突出显示重要子结构，但这些图与GNN训练的无权图不同。这种分布性偏移导致梯度不可靠，解释质量下降，尤其是在生成小稀疏子图时。为解决此问题，我们提出一种新的迭代解释框架，通过对齐模型训练数据分布与解释期间出现的加权图分布来提高解释的鲁棒性。该方法在两个阶段之间交替进行：解释子图识别与模型适应。它以相对较大的解释子图开始，软掩码优化可靠；基于该子图，我们为解释性和非解释性边分配重要性感知边权，并对这些加权图重新训练GNN。该过程在逐步减小的子图上重复，形成迭代细化程序。我们在多个基准数据集上使用不同的GNN骨干网络和解释方法进行评估。实验结果表明，我们的方法在解释质量方面 consistently 提供改进，并可灵活集成到各种体系结构中。