RISE：基于影响半径的子图提取用于三维分子图解释
机器学习
2025-05-06 v1 人工智能
定量方法
摘要
三维几何图神经网络（GNNs）已成为分子数据建模的变革性工具。尽管这些模型具有强大的预测能力，但其可解释性往往有限，这引发了对于需要可靠且透明洞察的科学应用的担忧。现有方法主要侧重于解释二维GNN中的分子子结构，而向三维GNN的过渡则引入了独特的挑战，例如处理由截断半径产生的隐式密集边结构。为解决这一问题，我们引入了一种专为三维GNN设计的新型解释方法，该方法将解释定位于三维空间中每个节点的紧邻邻域。每个节点被赋予一个影响半径，该半径定义了一个局部区域，在此区域内消息传递捕获对模型预测至关重要的空间和结构相互作用。该方法利用了三维图固有的空间和几何特征。通过将子图约束在局部影响半径内，该方法不仅增强了可解释性，而且符合三维图应用（如分子学习）中典型的物理和结构依赖性。
引用
@article{arxiv.2505.02247,
title = {RISE: Radius of Influence based Subgraph Extraction for 3D Molecular Graph Explanation},
author = {Jingxiang Qu and Wenhan Gao and Jiaxing Zhang and Xufeng Liu and Hua Wei and Haibin Ling and Yi Liu},
journal= {arXiv preprint arXiv:2505.02247},
year = {2025}
}