LogicXGNN：用于解释图神经网络的可接地逻辑规则

现有的基于规则的图神经网络（GNN）解释方法提供了全局可解释性，但通常在一个中间、不可解释的概念空间中优化和评估保真度，忽略了最终子图解释对终端用户的可接地性质量。这一差距导致解释看似可信，但在实践中可能不可靠。为此，我们提出了LogicXGNN，一个事后框架，它在明确设计用于捕捉GNN消息传递结构的可靠谓词上构建逻辑规则，从而确保有效的接地。我们进一步引入了数据接地保真度（$\textit{Fid}_{\mathcal{D}}$），一个在最终图形式中评估解释的现实指标，以及覆盖率和有效性等补充效用指标。在大量实验中，LogicXGNN相对于最先进方法平均提高了$\textit{Fid}_{\mathcal{D}}$超过20%，同时速度快10-100倍。凭借强大的可扩展性和效用性能，LogicXGNN产生的解释既忠实于模型的逻辑，又可靠地基于可观测数据。我们的代码可在https://github.com/allengeng123/LogicXGNN/获取。