SliceGX：基于模型分块的图神经网络分层解释
机器学习
2026-01-27 v2 数据库
摘要
确保图神经网络( GNN)可信度至关重要，因为它们常被视为黑箱模型。现有GNN解释技术通常通过对输入施加扰动来识别负责最终输出的子图，但缺乏对中间表示如何贡献最终结果的细粒度、分层分析，这对于模型诊断和架构优化至关重要。本文引入SliceGX，一种新的GNN解释方法，以分层方式在特定GNN层生成解释。给定GNN模型M、选定的中间层集合及目标层，SliceGX将M划分为层块("模型分块")，在每个块中发现高质量的解释子图，以阐明模型输出如何在目标层产生。虽然寻找此类分层解释计算上具有挑战性，但我们发展了高效算法和优化技术，逐步构建和维护这些子图，同时提供可证明的近似保证。在合成数据和真实基准上的大量实验表明，SliceGX在有效性和效率方面均表现出色，并展示了其在支持模型调试方面的实际用途。
引用
@article{arxiv.2506.17977,
title = {SliceGX: Layer-wise GNN Explanation with Model-slicing},
author = {Tingting Zhu and Tingyang Chen and Yinghui Wu and Arijit Khan and Xiangyu Ke},
journal= {arXiv preprint arXiv:2506.17977},
year = {2026}
}