保留、提升还是攻击?基于拓扑扰动的GNN解释方法
机器学习
2021-03-26 v1
摘要
先前关于图神经网络(GNN)解释形式化的工作聚焦于单一用例——通过识别重要边和节点来保留预测结果。本文中,我们通过获取一个指示输入图拓扑扰动的掩码,开发了一个多用途解释框架。我们将该框架封装为一个交互式可视化系统(GNNViz),其可实现多种目的:保留、提升或攻击GNN的预测。我们用三个案例研究来说明我们方法的新颖性与有效性:首先,GNNViz可协助非专家用户轻松探索图拓扑与GNN决策之间的关系(保留),或操纵MS-COCO上图像分类任务的预测(提升或攻击);其次,在Pokec社交网络数据集上,我们的框架可揭示不公平性与人口统计偏差;最后,它在合成数据集上与最先进的GNN解释器基线进行了比较。
引用
@article{arxiv.2103.13944,
title = {Preserve, Promote, or Attack? GNN Explanation via Topology Perturbation},
author = {Yi Sun and Abel Valente and Sijia Liu and Dakuo Wang},
journal= {arXiv preprint arXiv:2103.13944},
year = {2021}
}