基于潜在空间遍历的图结构无因果可解释人工智能

解释深度神经网络的预测是一项非平凡的任务，而高质量的解释往往是实践者信任这些模型的前提条件。无因果解释旨在通过寻找最近的分布内备选输入来解释预测，其预测以预定义的方式发生变化。然而，如何定义最近的备选输入仍是一个开放问题，其解决方案取决于具体的领域（如图像、图结构、表格数据等）以及特定的应用场景。对于图结构，此问题因其离散性——与当前基于连续图分类器的离散性——以及由图结构上的节点置换群引起的复杂性而加剧。我们提出了一种方法，用于生成任何可微分的黑箱图分类器的无因果解释，利用特定于情境的置换等变图变分自编码器。我们通过遍历自编码器的潜在空间跨越分类器的分类边界，从而以连续方式生成无因果解释，实现了离散图结构与连续图属性的无缝集成。我们在三个图数据集上进行了实证验证，结果表明该模型在性能和鲁棒性方面均优于基线方法。