重新审视在规则、自解释和领域不变GNN中的忠诚性

随着图神经网络（GNN）的普及，为解释其预测构建可靠工具变得至关重要。一个核心需求是解释具有忠诚性，即它们准确描绘了GNN推理过程。然而，存在不同的忠诚性度量标准，这就引出了一个问题：忠诚性到底是什么，如何实现？我们作出了三个主要贡献。首先，我们展示了“现有度量标准不可互换”——即获得某一度量标准高忠诚性的解释可能在其他度量标准下是不忠诚的，并且可能系统性地忽略解释的重要属性。我们进一步展示了，出乎意料地，“优化忠诚性并不总是合理的设计目标”。 Specifically, we证明了对于注入（injective）规则GNN架构，完美忠诚的解释是完全无信息的。这并不适用于模块化GNN，例如自解释和领域不变架构，因此我们研究了架构选择与忠诚性之间的关系。最后，我们表明“忠诚性与外分布（out-of-distribution）泛化紧密相关”，即仅确保GNN能够正确识别文献中规定的领域不变子图，并不保证其在不变性除非该子图也是忠诚的。代码已在GitHub上公开。