基于HSIC的图神经网络结构解释方法
机器学习
2023-02-07 v1 机器学习
摘要
图神经网络(GNN)是一种以端到端方式处理图任务的神经模型。近年来，由于GNN在图分类、链接预测和推荐等各类任务中表现出更高的性能，其在机器学习和数据挖掘领域受到越来越多的关注。然而，GNN复杂的动态特性使得难以理解图特征的哪些部分对预测贡献更大。为了解决可解释性问题，近期提出了多种GNN解释方法。本研究提出一种灵活的模型无关解释方法，利用希尔伯特-施密特独立性准则(HSIC)检测图中的重要结构，该准则通过核函数捕捉两个变量之间的非线性依赖关系。具体而言，我们将GraphLIME方法扩展为基于组套索和融合套索的节点解释方法。GraphLIME结合组正则化和融合正则化，使得能够在子结构单元上解释GNN。然后，我们展示了所提方法可用于序列图分类任务的解释。实验表明，我们的方法能够在各种设置下识别目标图中的关键结构。
引用
@article{arxiv.2302.02139,
title = {Structural Explanations for Graph Neural Networks using HSIC},
author = {Ayato Toyokuni and Makoto Yamada},
journal= {arXiv preprint arXiv:2302.02139},
year = {2023}
}