生成图神经网络的鲁棒反事实证据

本文引入了一种新型解释结构，称为鲁棒反事实证据 (RCWs)，用于为图神经网络提供稳健的既反事实又是事实的解释。给定一个图神经网络 M，鲁棒反事实证据指的是图 G 中占比为 RCWs 的部分，它既是 M 对 G 结果的反事实解释也是事实解释，同时对于通过最多翻转其节点对的任何“扰动”后的 G 仍然如此。我们建立了从可判定结果到 co-NP-hardness 的鲁棒反事实证据的验证和生成的 hardness 结果。我们针对 GNN 基于节点分类的情形进行了研究，并提出了高效的算法来验证和生成 RCWs。我们还提供了一个用于大型图的并行算法，以保证可扩展性。我们对基于基准数据集的解释生成过程进行了实验验证，并展示了其应用。