MetaGMT：通过元学习过滤提升图多线性网络的可操作性可解释性
机器学习
2025-05-27 v1
摘要
图神经网络（GNN）在医疗保健和金融等高风险领域的日益广泛应用，要求对其决策过程进行可靠解释。虽然像图多线性网络（GMT）这样本质上可解释的 GNN 架构已经出现，但它们仍然容易基于虚假相关性生成解释，这可能会削弱对关键应用的信任。我们提出了 MetaGMT，一个通过新颖的双层优化方法来增强解释保真度的元学习框架。我们证明，MetaGMT 在 BA-2Motifs、MUTAG 和 SP-Motif 基准测试中，显著提高了解释质量（AUC-ROC、Precision@K）和对虚假模式的鲁棒性。与基线方法相比，我们的方法在保持有竞争力的分类准确率的同时，生成了更忠实的解释（在 SP-Motif 0.5 上 Explanation ROC 提升高达 8%）。这些可解释性方面的进步可以通过以下方式实现 GNN 在敏感领域的更安全部署：(1) 通过更可靠的解释促进模型调试，(2) 在识别出偏见时支持有针对性的重训练，以及 (3) 实现有意义的人工监督。通过解决解释可靠性这一关键挑战，我们的工作有助于为实际应用构建更可信、更具可操作性的 GNN 系统。
引用
@article{arxiv.2505.19445,
title = {MetaGMT: Improving Actionable Interpretability of Graph Multilinear Networks via Meta-Learning Filtration},
author = {Rishabh Bhattacharya and Hari Shankar and Vaishnavi Shivkumar and Ponnurangam Kumaraguru},
journal= {arXiv preprint arXiv:2505.19445},
year = {2025}
}
备注
8 Pages Main Content, 10 Pages including Appendix. 1 Figure, 7 Tables