ProtGNN：面向自解释图神经网络
机器学习
2021-12-03 v1 人工智能
摘要
尽管图神经网络（GNNs）近期取得了进展，解释 GNNs 所作预测仍具挑战性。现有解释方法主要关注事后解释，即采用另一个解释模型为训练好的 GNN 提供解释。由于事后方法无法揭示 GNNs 的原始推理过程，这催生了构建具有内置可解释性的 GNNs 的需求。本工作中，我们提出原型图神经网络（ProtGNN），它将原型学习与 GNNs 相结合，为 GNNs 的解释提供了新视角。在 ProtGNN 中，解释自然源于基于案例的推理过程，并在分类中实际被使用。ProtGNN 的预测通过将输入与隐空间中若干学习到的原型进行比较获得。此外，为获得更好的可解释性与更高效率，ProtGNN+ 中引入了新颖的条件子图采样模块，以指示输入图的哪些部分与每个原型最为相似。最后，我们在广泛的数据集上评估了该方法并进行了具体案例研究。大量结果表明，ProtGNN 与 ProtGNN+ 在提供内在可解释性的同时，可达到与非可解释对应模型相当的准确率。
引用
@article{arxiv.2112.00911,
title = {ProtGNN: Towards Self-Explaining Graph Neural Networks},
author = {Zaixi Zhang and Qi Liu and Hao Wang and Chengqiang Lu and Cheekong Lee},
journal= {arXiv preprint arXiv:2112.00911},
year = {2021}
}
备注
Accepted by AAAI'22