基于解释的频繁子图挖掘迭代增强图神经网络
机器学习
2024-03-13 v1
摘要
我们为图神经网络（GNN）的节点分类任务提出了一种基于可解释人工智能（XAI）的模型改进方法，称为解释增强图学习（EEGL）。其目标是利用解释来提高GNN的预测性能。EEGL是一种迭代自改进算法，它从一个已学习的“普通”GNN开始，并反复使用频繁子图挖掘来寻找解释子图中的相关模式。然后，这些模式被进一步过滤，以获得与应用相关的特征，这些特征对应于节点邻域中特定子图的存在。为这种基于子图的Weisfeiler-Leman（1-WL）算法扩展提供一种应用相关的算法，此前一直是一个开放性问题。我们通过合成数据和真实世界数据提供的实验证据表明，EEGL在预测性能上优于相关方法，并且其节点区分能力超越了普通GNN。我们还分析了EEGL的训练动态。
引用
@article{arxiv.2403.07849,
title = {Iterative Graph Neural Network Enhancement via Frequent Subgraph Mining of Explanations},
author = {Harish G. Naik and Jan Polster and Raj Shekhar and Tamás Horváth and György Turán},
journal= {arXiv preprint arXiv:2403.07849},
year = {2024}
}