全局图反事实解释：一种子图映射方法
机器学习
2024-10-29 v1
摘要
图神经网络（GNNs）已广泛应用于各种现实场景。然而，大多数 GNN 是缺乏可解释性的黑盒模型。解释 GNN 的一种策略是反事实解释，旨在寻找对输入图的最小扰动以改变 GNN 的预测。现有的 GNN 反事实解释工作主要集中在局部层面（即为每个单独的图生成反事实），这会导致信息过载并缺乏对更广泛的跨图关系的洞察。为了解决这些问题，我们提出了一种新颖的全局级图反事实解释方法 GlobalGCE。GlobalGCE 旨在识别一组子图映射规则作为目标 GNN 的反事实解释。根据这些规则，将某些显著子图替换为其反事实子图将使 GNN 对大多数图的预测改变为所需类别（即最大覆盖率）。在方法上，我们在 GlobalGCE 中设计了显著子图生成器和反事实子图自编码器，从而能够有效地生成子图和规则。大量实验证明了我们的 GlobalGCE 相对于现有基线的优越性。代码可在 https://anonymous.4open.science/r/GlobalGCE-92E8 获取。
引用
@article{arxiv.2410.19978,
title = {Global Graph Counterfactual Explanation: A Subgraph Mapping Approach},
author = {Yinhan He and Wendy Zheng and Yaochen Zhu and Jing Ma and Saumitra Mishra and Natraj Raman and Ninghao Liu and Jundong Li},
journal= {arXiv preprint arXiv:2410.19978},
year = {2024}
}