GCFX：深度图模型在模型层面的生成式反事实解释

深度图学习模型在处理图结构数据方面展现出了卓越的能力，并已广泛应用于各个领域。然而，其复杂的内部架构和缺乏透明度使得难以解释其决策，导致模型不透明，用户难以理解和信任。在本文中，我们探讨了深度图学习模型的模型级解释技术，旨在为用户提供对模型整体决策过程和底层机制的全面理解。具体而言，我们通过引入一种基于深度图生成的模型级反事实解释方法 GCFX，来解决深度图学习模型的反事实解释问题。该方法利用增强的深度图生成框架和全局摘要算法，生成一组反映模型全局预测行为的高质量反事实解释。GCFX 采用结合双编码器、结构感知标注器和消息传递神经网络解码器的架构，使其能够准确学习输入数据的真实潜在分布，并生成高质量、紧密相关的反事实示例。随后，全局反事实摘要算法从大量候选反事实中选择最具代表性和最全面的解释，为模型的全局预测模式提供广泛见解。在合成数据集和多个真实世界数据集上的实验表明，GCFX 在反事实有效性和覆盖率方面优于现有方法，同时保持较低的解释成本，从而为增强全局反事实解释的实用性和可信度提供了关键支持。