GStarX：基于结构感知合作博弈的图神经网络解释方法
机器学习
2023-01-02 v5
摘要
解释机器学习模型是一个重要且日益受到关注的研究领域。来自博弈论的 Shapley 值已被提出作为计算图像、文本、表格数据以及近期图神经网络（GNNs）在图上的模型预测特征重要性的主要方法。在本工作中，我们重新审视了 Shapley 值用于 GNN 解释的适用性，其中任务是识别对 GNN 预测最重要的子图及组成节点。我们指出，Shapley 值对于图数据并非理想选择，因为其定义上不具备结构感知能力。我们提出一种图结构感知解释（GStarX）方法，以利用关键的图结构信息来改进解释。具体而言，我们基于 Hamiache 和 Navarro（HN）提出的合作博弈论中的新结构感知值定义评分函数。当用于评分节点重要性时，HN 值利用图结构在邻居节点间分配合作剩余，类似于 GNN 中的消息传递，从而使得节点重要性分数不仅反映节点特征重要性，也反映节点结构角色。我们证明，在化学图属性预测和文本图情感分类任务上，GStarX 产生了定性上更直观的解释，并在定量上提升了相较于强基线的解释保真度。
引用
@article{arxiv.2201.12380,
title = {GStarX: Explaining Graph Neural Networks with Structure-Aware Cooperative Games},
author = {Shichang Zhang and Yozen Liu and Neil Shah and Yizhou Sun},
journal= {arXiv preprint arXiv:2201.12380},
year = {2023}
}