用于链接预测的自解释图神经网络
机器学习
2023-05-23 v1
摘要
图神经网络（GNNs）在链接预测上已取得最先进的性能。然而，GNNs存在可解释性差的缺陷，这限制了它们在需要知道为何预测特定链接的关键场景中的采用。尽管已提出多种GNN可解释性方法，其中大多数都是为解释节点分类而开发的事后解释器。直接将现有事后解释器用于解释链接预测是次优的，因为：（i）事后解释器通常采用另一策略或模型来解释目标模型，可能误解目标模型；且（ii）用于节点分类的GNN解释器识别每个节点周围的关键子图作为解释；而对于链接预测，需要基于图结构与节点属性解释每对节点的预测。因此，本文研究一种新颖的问题：用于链接预测的自解释GNNs，其可同时给出准确预测与解释。具体地，我们提出一个新框架，它能找到一个节点的各种K个重要邻居，以学习从该节点到其他节点的链接的成对特定表示。这K个不同邻居代表了该节点的重要特征并建模了从其出发的链接的各种因素。因此，K个邻居可提供链接存在的解释。在合成与真实世界数据集上的实验验证了所提框架在链接预测与解释上的有效性。
引用
@article{arxiv.2305.12578,
title = {Self-Explainable Graph Neural Networks for Link Prediction},
author = {Huaisheng Zhu and Dongsheng Luo and Xianfeng Tang and Junjie Xu and Hui Liu and Suhang Wang},
journal= {arXiv preprint arXiv:2305.12578},
year = {2023}
}