GraphLIME:图神经网络的局部可解释模型解释
机器学习
2020-09-29 v2 机器学习
摘要
图结构数据在物理、化学、生物、计算机视觉和社交网络等诸多领域具有广泛适用性。近来,图神经网络(GNN)因良好的性能和泛化能力,被证明能有效地表示图结构数据。GNN 是一种基于深度学习的方法,通过结合特定节点与图的结构/拓扑信息来学习节点表示。然而,与其他深度模型一样,由于迭代过程中复杂的非线性变换,GNN 模型有效性的解释是一项具有挑战性的任务。在本文中,我们提出 GraphLIME,一种利用 Hilbert-Schmidt 独立性准则(HSIC)Lasso(一种非线性特征选择方法)的图局部可解释模型解释。GraphLIME 是一个通用的 GNN 模型解释框架,它在被解释节点的子图中局部学习非线性可解释模型。更具体地,为解释一个节点,我们从其 跳邻域生成非线性可解释模型,然后使用 HSIC Lasso 计算 K 个最具代表性的特征作为其预测的解释。通过在两个真实世界数据集上的实验,发现与现有解释方法相比,GraphLIME 的解释具有极高的程度且更具描述性。
引用
@article{arxiv.2001.06216,
title = {GraphLIME: Local Interpretable Model Explanations for Graph Neural Networks},
author = {Qiang Huang and Makoto Yamada and Yuan Tian and Dinesh Singh and Dawei Yin and Yi Chang},
journal= {arXiv preprint arXiv:2001.06216},
year = {2020}
}