揭示基于图概念瓶颈层的图神经网络组合推理

尽管图神经网络(GNN)在诸多领域取得成功，但其对预测背后组合推理本质的依赖日益增加，构成关键性关切，因为这种推理往往隐藏在其黑箱架构中。解决这一挑战需要理解 GNN如何将拓扑模式转化为逻辑规则。然而，现有研究仅揭示了针对图概念的硬逻辑规则，无法量化每个概念对预测的贡献。此外，这些方法为后置可解释技术，训练后生成解释，可能无法真实反映 GNN 的组合推理，因为它们用替代模型进行近似。本文发展图概念瓶颈层，可集成到任何 GNN 架构中，以引导其预测所选判别性全局图概念。预测的概念得分进一步通过稀疏线性层投影到类别标签。它强制 GNN 的预测组合推理符合图概念上的软逻辑规则，从而可量化每个概念的贡献。为进一步提高概念瓶颈的质量，我们将概念视为“图单词”，将图视为“图句子”，并利用语言模型学习图概念嵌入。广泛实验表明，我们的方法 GCBM 在分类和可解释性方面均实现了最先进的性能。