SEEN：利用邻域解释锐化图神经网络的解释
机器学习
2025-01-07 v1
摘要
解释图神经网络（GNN）所得预测的依据，对于在真实世界问题中可信地使用 GNN 模型至关重要。得益于 GNN 应用的快速增长，近期在解释 GNN 预测方面的进展，如敏感性分析、扰动方法与归因方法，展现了解释 GNN 预测的巨大机遇与可能。在本研究中，我们提出一种以事后方式、通过聚合来自重要邻节点的辅助解释来提升节点分类任务解释质量的方法，名为 SEEN。应用 SEEN 无需修改图，且因其独立机制可与多种可解释性技术配合使用。在从给定图中匹配参与 motif 的节点的实验上，解释准确率提升高达 12.71%，并证明了辅助解释与通过利用其贡献所增强的解释准确率之间的相关性。SEEN 提供了一种简单而有效的方法来提升 GNN 模型输出的解释质量，且该方法可与多数可解释性技术结合使用。
引用
@article{arxiv.2106.08532,
title = {SEEN: Sharpening Explanations for Graph Neural Networks using Explanations from Neighborhoods},
author = {Hyeoncheol Cho and Youngrock Oh and Eunjoo Jeon},
journal= {arXiv preprint arXiv:2106.08532},
year = {2025}
}
备注
15 pages, 3 figures