如何可信地评估可解释图神经网络？
机器学习
2024-06-13 v1 机器学习
摘要
可解释图神经网络（XGNNs）在涉及图结构数据的各种科学应用中广泛采用。现有的XGNNs主要采用基于注意力的机制来学习边或节点的重要性，以提取和使用可解释子图进行预测。然而，这些方法的表征属性和局限性仍未得到充分探索。在本工作中，我们提出了一个理论框架，将可解释子图学习形式化为子图分布的多线性扩张，称为子图多线性扩张（SubMT）。提取所需的可解释子图需要准确地近似SubMT，但我们发现现有的XGNNs在拟合SubMT方面存在巨大差距。Consequently，SubMT近似失败将导致提取的子图解释性退化。为缓解此问题，我们设计了一种新的XGNN架构，称为Graph Multilinear neT（GMT），其在近似SubMT方面被证明更强大。我们在大量图分类基准测试上经验性地验证了我们的理论发现。结果表明，GMT在可解释性和通用性方面均优于最新的SOTA方法，可达12个常规和几何图基准测试中最高可达10%。
引用
@article{arxiv.2406.07955,
title = {How Interpretable Are Interpretable Graph Neural Networks?},
author = {Yongqiang Chen and Yatao Bian and Bo Han and James Cheng},
journal= {arXiv preprint arXiv:2406.07955},
year = {2024}
}
备注
ICML2024, 44 pages, 21 figures, 12 tables