图解释中的高阶结构
机器学习
2025-01-06 v6
摘要
图神经网络 (GNN) 已成为学习图结构数据表示的强大工具， 在各种任务中展现出卓越的性能。鉴于其重要性, 大量研究致力于解释 GNN 的预测, 以提升其可解释性和可信度。然而, GNN 及其解释方法面临一个显著挑战: 图主要用于建模节点之间的二元关系, 这会使其难以捕捉更高阶的、多节点的相互作用。这种特征可能使现有解释方法难以充分表示多节点关系。为填补这一差距, 我们提出了一种名为 Framework For Higher-Order Representations In Graph Explanations (FORGE) 的框架, 通过纳入更高阶结构, 使图解释方法能够捕捉此类相互作用, 从而获得更准确且更忠实的解释。大规模评估表明, 在 GraphXAI 基准和合成数据集上进行的各种图解释方法的平均解释准确率分别提高了 1.9 倍和 2.25 倍。我们进行了消除实验以确认更高阶关系在改善解释方面的重要性, 而规模分析则显示 FORGE 在大型图上同样有效。
引用
@article{arxiv.2406.03253,
title = {Higher Order Structures For Graph Explanations},
author = {Akshit Sinha and Sreeram Vennam and Charu Sharma and Ponnurangam Kumaraguru},
journal= {arXiv preprint arXiv:2406.03253},
year = {2025}
}
备注
AAAI 2025