非凸图神经网络边编辑的影响函数
机器学习
2026-02-02 v2 人工智能
摘要
理解单个边对图神经网络（GNN）行为的影响对于提高其可解释性和鲁棒性至关重要。图影响函数已涌现为一种高效估计边删除影响的有前景工具。然而，现有的影响预测方法依赖严格的凸性假设，仅考虑边删除的影响，忽略边插入的影响，以及未能捕捉这些修改导致的信息传递变化。本文提出一种专为GNN设计的近似 Bregman 响应函数，放宽凸性要求，实现对标准神经网络架构的精确影响预测。此外，我们的方法明确考虑信息传递效应，并以原则方式扩展影响预测到边的删除和插入。实验使用真实数据集表明，能够准确预测GNN的不同特征的影响。我们进一步演示了影响函数在图重构和对抗攻击等应用中的多功能性。
关键词
引用
@article{arxiv.2506.04694,
title = {Influence Functions for Edge Edits in Non-Convex Graph Neural Networks},
author = {Jaeseung Heo and Kyeongheung Yun and Seokwon Yoon and MoonJeong Park and Jungseul Ok and Dongwoo Kim},
journal= {arXiv preprint arXiv:2506.04694},
year = {2026}
}
备注
Accepted by NeurIPS 2025