SES：桥接图神经网络的可解释性与预测性能
机器学习
2024-07-26 v2 人工智能
摘要
尽管图神经网络（GNN）在分析图数据方面表现出色，但实现高精度且可解释的预测仍富有挑战。现有的 GNN 解释器通常提供后置解释，且与 GNN 的预测割裂，导致表述不完整。自可解释 GNN 提供了在训练过程中内置解释的能力，但它们无法利用解释结果来增强预测性能，且难以提供节点特征的高质量解释，生成可解释子图还需额外过程，成本较高。为克服上述局限，我们提出一种自解释自监督图神经网络（SES），以弥合可解释性与预测之间的鸿沟。SES 包含两个过程：可解释训练与增强预测学习。在可解释训练阶段，SES 采用全局掩码生成器与图编码器联合训练，直接生成关键结构和特征掩码，降低时间消耗，并提供节点特征和子图解释。在增强预测学习阶段，利用掩码构建正负配对，通过对比学习计算三角损失以增强节点表示。
引用
@article{arxiv.2407.11358,
title = {SES: Bridging the Gap Between Explainability and Prediction of Graph Neural Networks},
author = {Zhenhua Huang and Kunhao Li and Shaojie Wang and Zhaohong Jia and Wentao Zhu and Sharad Mehrotra},
journal= {arXiv preprint arXiv:2407.11358},
year = {2024}
}
备注
Accepted as a conference paper at ICDE 2024