基于Skyline解释的图推理解释

图机器学习模型（如图神经网络，GNN）常被用于各种网络分析任务，但其输出往往难以全面解释。现有方法通常遵循单一预定义的可解释性度量（如保真度），导致偏差性的、“单面”解释。本文引入skyline解释（skyline explanation）这一新范式，通过同时优化用户感兴趣的多个可解释性度量来解释 GNN 输出。（1）我们将skyline解释定义为在多个解释度量上均优于其他解释子图的帕累托集。我们将skyline解释形式化为多准则优化问题，并建立其 hardness 结果。（2）我们设计了一种 onion-peeling 方法的高效算法，战略性地优先处理节点并删除不具前景的边，以逐步组装skyline解释。（3）我们还开发了一种算法来多样化skyline解释，以丰富综合解释。（4）我们引入高效的并行算法，并采用负载均衡策略，以规模化处理大规模 GNN 基于推理的解释。通过实验验证，我们在真实图和合成图上验证了算法的有效性和可扩展性。