GnnXemplar：以范例解释为导向的全局图神经网络可解释性
机器学习
2025-10-30 v2 社会与信息网络
摘要
图神经网络(GNN)广泛用于节点分类，但其不透明的决策过程限制了信任和采纳。虽然局部解释方法为理解单个预测提供了洞见，但全局解释方法——那些描述整个类别的方法——仍不成熟。现有的全局解释器依赖于小图中图式的发现，在大规模真实场景中效果差，因为子图重复性稀少、节点属性高维且预测源于复杂的结构-属性交互作用。我们提出GnnXemplar，一种受认知科学中范例理论启发的新型全局解释器。GnnXemplar识别图神经网络嵌入空间中的代表性节点，范例，然后通过其邻域推导自然语言规则来解释预测。范例选择被建模为逆k近邻邻域上的覆盖最大化问题，我们提供了有效的贪婪近似方法。为派生可解释规则，我们采用基于大型语言模型(LLM)的自我完善提示策略。跨多个基准的实验表明，GnnXemplar在忠诚度、可扩展性和人类可解释性方面显著优于现有方法，经60名参与者的用户研究验证。
引用
@article{arxiv.2509.18376,
title = {GnnXemplar: Exemplars to Explanations -- Natural Language Rules for Global GNN Interpretability},
author = {Burouj Armgaan and Eshan Jain and Harsh Pandey and Mahesh Chandran and Sayan Ranu},
journal= {arXiv preprint arXiv:2509.18376},
year = {2025}
}
备注
38 pages, 20 figures, NeurIPS 2025 (Oral)