图神经网络的参数化解释器
机器学习
2020-11-16 v1 人工智能
摘要
尽管图神经网络（GNNs）近期取得进展，解释 GNN 所作预测仍是一项具挑战性的开放问题。主流方法独立处理局部解释（即重要的子图结构与节点特征）以解读 GNN 模型为何对单个实例（如节点或图）作出预测。因此，所生成的解释为每个实例费力定制。独立解释各实例的独特方式不足以提供对所学 GNN 模型的全局理解，导致泛化性不足并阻碍其在归纳式设定中的使用。此外，由于其设计用于解释单一实例，自然地对一组实例（如给定类别的图）进行解释颇具挑战。本研究中，我们应对这些关键挑战并提出 PGExplainer，一种用于 GNN 的参数化解释器。PGExplainer 采用深度神经网络对解释的生成过程进行参数化，使 PGExplainer 成为集体解释多个实例的自然途径。与现有工作相比，PGExplainer 具有更好的泛化能力，并可轻易用于归纳式设定。在合成与真实数据集上的实验显示出极具竞争力的性能，在解释图分类上相对领先基线取得高达 24.7% 的 AUC 相对提升。
关键词
引用
@article{arxiv.2011.04573,
title = {Parameterized Explainer for Graph Neural Network},
author = {Dongsheng Luo and Wei Cheng and Dongkuan Xu and Wenchao Yu and Bo Zong and Haifeng Chen and Xiang Zhang},
journal= {arXiv preprint arXiv:2011.04573},
year = {2020}
}
备注
NeurIPS 2020