QGShap: 用于忠实GNN解释的量子加速
量子物理
2025-12-04 v1 人工智能
机器学习
摘要
图神经网络（GNN）已成为药物发现、社交网络分析和推荐系统等关键领域不可或缺的工具，但其黑箱特性阻碍了在需要透明度和问责性的场景中的部署。虽然基于Shapley值的方法通过量化每个组件对预测的贡献提供了数学上严谨的解释，但计算精确值需要评估个联盟（或在个排列上聚合），这对于真实图而言是不可行的。现有近似策略要么牺牲保真度要么牺牲效率，限制了其实际效用。我们引入了QGShap，一种量子计算方法，利用振幅放大技术在保持精确Shapley计算的同时实现联盟评估的二次加速。与经典采样或替代模型方法不同，我们的方法在可处理的图规模下提供完全忠实的解释，无需近似权衡。我们在合成图数据集上进行了实证评估，证明QGShap在所有评估指标上持续保持高保真度和解释准确性，匹配或超越了经典方法的性能。这些结果共同证明QGShap不仅保持了精确Shapley忠实度，还提供了与GNN底层图推理一致的可解释、稳定且结构一致的解释。QGShap的实现可在https://github.com/smlab-niser/qgshap获取。
引用
@article{arxiv.2512.03099,
title = {QGShap: Quantum Acceleration for Faithful GNN Explanations},
author = {Haribandhu Jena and Jyotirmaya Shivottam and Subhankar Mishra},
journal= {arXiv preprint arXiv:2512.03099},
year = {2025}
}
备注
Accepted in the QC+AI Workshop at AAAI 2026