MBExplainer：基于多层森林带的增强图嵌入下游模型解释
机器学习
2025-08-07 v1 人工智能
计算工程、金融与科学
数值分析
数值分析
机器学习
摘要
在许多工业应用中，常见的是从训练的GNN生成的图嵌入被用于集成模型，其中嵌入与其他表格特征（例如原始节点或边特征）在下游ML任务中被组合。表格特征甚至可能自然地 arises于试图构建图的情况，其中一些节点或边特征以表格格式存储。我们提出MBExplainer，这是一种针对增强图嵌入的下游模型的模型无关解释方法。MBExplainer返回一个对实例预测的可读解释三元组，包含三个组件：重要性最高的子图、最重要的特征节点以及最重要的增强下游特征。采用博弈论公式来考虑每个组件及其相互作用的贡献，通过分配三个Shapley值来对应于它们各自特定的游戏。寻找解释需要对每个组件对应的局部搜索空间进行有效搜索。MBExplainer应用一种新颖的多层次搜索算法，使同时修剪局部搜索空间在可计算的范围内成为可能。特别是，利用三个交织的蒙特卡洦树搜索来迭代修剪局部搜索空间。MBExplainer还包括一种全局搜索算法，该算法使用情境林具高效分配修剪预算给局部搜索空间。我们通过在多个公开图数据集上进行全面数值示例来展示MBExplainer的有效性，涵盖节点和图分类任务。
引用
@article{arxiv.2411.00287,
title = {MBExplainer: Multilevel bandit-based explanations for downstream models with augmented graph embeddings},
author = {Ashkan Golgoon and Ryan Franks and Khashayar Filom and Arjun Ravi Kannan},
journal= {arXiv preprint arXiv:2411.00287},
year = {2025}
}