GNNX-BENCH：通过深度基准测试揭示基于扰动的 GNN 解释器的效用
机器学习
2024-03-15 v3
摘要
已有大量可解释性方法被提出以揭示 GNN 的内部工作机制。尽管所提出的算法均包含经验评估，但这些评估的考察方面缺乏多样性。因此，与 GNN 相关的可解释性的多个方面，例如反事实推理器的比较分析、其对不同 GNN 架构、噪声、非凸损失曲面中的随机性等变异因素的稳健性、在领域约束下的可行性等，尚未得到正式研究。受此需求驱动，我们提出了一项关于 GNN 基于扰动的可解释性方法的基准测试研究，旨在系统地评估与比较广泛的可解释性技术。在我们研究的关键发现中，我们识别出了在噪声存在下表现出更优效能与稳定性的帕累托最优方法。尽管如此，我们的研究揭示所有算法在面临噪声数据时均受稳健性问题的困扰。此外，我们已证实当前一代反事实解释器常因违背由领域特定考量所编码的拓扑约束而无法提供可行的补救方案。总体而言，本基准测试研究使 GNN 领域的利益相关者全面理解最先进的可解释性方法、有待进一步改进的潜在研究问题，及其在真实场景应用中的影响。
引用
@article{arxiv.2310.01794,
title = {GNNX-BENCH: Unravelling the Utility of Perturbation-based GNN Explainers through In-depth Benchmarking},
author = {Mert Kosan and Samidha Verma and Burouj Armgaan and Khushbu Pahwa and Ambuj Singh and Sourav Medya and Sayan Ranu},
journal= {arXiv preprint arXiv:2310.01794},
year = {2024}
}
备注
Accepted at ICLR 2024