GraphSVX：图神经网络的Shapley值解释方法
机器学习
2021-07-14 v2
摘要
图神经网络（GNNs）由于在节点表征的学习中融入了图结构，在几何数据的各种学习任务上取得了显著性能，这也使其难以被理解。本文中，我们首先提出一个被大多数现有GNN解释器满足的统一框架。然后，我们引入GraphSVX，一种专为GNNs设计的后验局部模型无关解释方法。GraphSVX是一种分解技术，通过在扰动数据集上构建代理模型，捕获每个特征和节点对所给预测的“公平”贡献。它扩展到图并最终提供博弈论中的Shapley值作为解释。在真实世界和合成数据集上的实验表明，与基线模型相比，GraphSVX达到了最先进的性能，同时呈现出核心的理论和以人为中心的属性。
引用
@article{arxiv.2104.10482,
title = {GraphSVX: Shapley Value Explanations for Graph Neural Networks},
author = {Alexandre Duval and Fragkiskos D. Malliaros},
journal= {arXiv preprint arXiv:2104.10482},
year = {2021}
}
备注
ECML PKDD 2021