基于规则到图读出进行 Logit 重建的模型级 GNN 解释
机器学习
2026-05-13 v2 人工智能
摘要
我们提出了一种新颖的模型级 GNN 解释框架，将解释目标从类别级规则提取转变为基于规则的 logit 重建。我们的方法将预训练 GNN 的图级读出重新转化为加权规则级读出：将接地的子图概念组合成逻辑规则，直接从其符号结构计算规则嵌入，并将激活的规则通过冻结的分类器头以重建 GNN 的原始多类 logits。因此，我们的方法提供了可在未见图上实例化、支持子图级接地，并允许在测试时进行规则级贡献分析的全局解释。在三个合成和两个真实图分类基准上的实验表明，我们的方法忠实地重建了基础 GNN 的原始多类 logits，在各数据集上实现了高概率级保真度。规则级消融进一步表明，识别出的关键规则积极支持预测类别，同时抑制非目标类别，这表明它们作为功能单元发挥作用，而不仅仅是事后符号产物。与先前基于类别规则的解释器相比，我们的方法实现了具有竞争力或更好的预测一致性，且速度提高了 ，并额外提供了规则权重、测试时接地和 logit 级贡献分析。
引用
@article{arxiv.2503.09051,
title = {Model-Level GNN Explanations via Rule-to-Graph Readout for Logit Reconstruction},
author = {Shengyao Lu and Jiuding Yang and Aedan J. DeFrates and Keith G. Mills and Baochun Li and Di Niu},
journal= {arXiv preprint arXiv:2503.09051},
year = {2026}
}