TACENR:面向节点表示的任务无关对比解释
机器学习
2026-04-22 v1 人工智能
摘要
图表示学习在将图结构数据编码到潜在向量空间方面取得了显著成功,从而支持了广泛的下游任务。然而,这些节点表示仍然不透明且难以解释。现有的可解释性方法主要关注监督设置或解释单个表示维度,在解释节点表示的整体结构方面留下了关键空白。在本文中,我们提出了 TACENR(面向节点表示的任务无关对比解释),这是一种局部解释方法,它不仅识别属性特征,还识别在表示空间中贡献最大的邻近性和结构特征。TACENR 基于对比学习,通过在表示空间中学习相似度函数,揭示了哪些特征在节点的表示中起重要作用。虽然我们的重点是任务无关的解释,但 TACENR 也可以应用于监督场景。实验结果表明,邻近性和结构特征在塑造节点表示中起着重要作用,并且我们的监督变体在识别最具影响力的特征方面与现有的任务特定方法表现相当。
引用
@article{arxiv.2604.19372,
title = {TACENR: Task-Agnostic Contrastive Explanations for Node Representations},
author = {Vasiliki Papanikou and Evaggelia Pitoura},
journal= {arXiv preprint arXiv:2604.19372},
year = {2026}
}
备注
Accepted at the XAI 2026 Conference. 24 pages, 10 figures