关于Fidelity$^-$用于图剪枝的可行性

作为评估图神经网络(GNN)解释质量的常用量化指标之一，保真度衡量了移除输入图中不重要部分后的输出差异。保真度因其直观的解释而被广泛使用，即当从解释中移除被认为不重要的特征时，底层模型应产生相似的预测。这引发了一个自然的问题：“保真度能否为图剪枝诱导出一个全局（软）掩码？”为了解决这个问题，我们旨在探索保真度度量用于图剪枝的潜力，最终增强 GNN 模型以提高效率。为此，我们提出了 Fidelity$^-$ 启发的剪枝(FiP)框架，这是一个从局部解释构建全局边掩码的有效框架。我们使用 7 种边归因方法的实证观察表明，令人惊讶的是，通用的可解释人工智能方法在图剪枝性能方面优于专门为 GNN 定制的方法。