任务无关图解释
机器学习
2022-09-27 v2
摘要
图神经网络（GNNs）已成为编码图结构数据的强大工具。由于其广泛应用，越来越需要开发工具来解释 GNNs 如何基于图结构数据做出决策。现有的基于学习的 GNN 解释方法是任务特定的训练，因而存在关键缺陷。具体而言，它们无法用单一解释器为多任务预测模型生成解释。它们也无法在 GNN 以自监督方式训练、所得表示用于未来下游任务的情况下提供解释。为应对这些局限，我们提出任务无关 GNN 解释器（TAGE），其独立于下游模型并在自监督下训练，不知晓下游任务。TAGE 能够对具有未知下游任务的 GNN 嵌入模型进行解释，并允许对多任务模型的高效解释。我们的大量实验表明，TAGE 通过使用同一模型解释多个下游任务的预测，可显著加快解释效率，同时达到与当前最先进 GNN 解释方法相当甚至更优的解释质量。我们的代码作为 DIG 库的一部分公开可用：https://github.com/divelab/DIG/tree/main/dig/xgraph/TAGE/。
引用
@article{arxiv.2202.08335,
title = {Task-Agnostic Graph Explanations},
author = {Yaochen Xie and Sumeet Katariya and Xianfeng Tang and Edward Huang and Nikhil Rao and Karthik Subbian and Shuiwang Ji},
journal= {arXiv preprint arXiv:2202.08335},
year = {2022}
}
备注
Accepted by NeurIPS 2022