RegExplainer：为回归任务中的图神经网络生成解释
机器学习
2024-10-25 v4 人工智能
摘要
图回归是一项基础任务，在各种图学习任务中受到显著关注。然而，其推理过程通常不易解释。当前的解释技术仅限于理解分类任务中图神经网络（GNN）的行为，为图回归模型留下了解释空白。在这项工作中，我们提出一种新颖的解释方法来解释图回归模型（XAIG-R）。我们的方法解决了分布偏移问题和连续有序决策边界问题，这些问题阻碍了现有方法应用于回归任务。我们基于图信息瓶颈理论（GIB）引入了一个新的目标函数和一个新的混合框架，能够以模型无关的方式支持各种 GNN 和解释器。此外，我们提出了一种自监督学习策略来处理回归任务中连续有序的标签。我们在三个基准数据集和由我们引入的一个真实数据集上评估了所提方法，大量实验证明了其在解释回归任务中 GNN 模型的有效性。
引用
@article{arxiv.2307.07840,
title = {RegExplainer: Generating Explanations for Graph Neural Networks in Regression Tasks},
author = {Jiaxing Zhang and Zhuomin Chen and Hao Mei and Longchao Da and Dongsheng Luo and Hua Wei},
journal= {arXiv preprint arXiv:2307.07840},
year = {2024}
}
备注
Accepted by NeurIPS 2024