面向图神经网络的全面且无先决条件的解释器

为增强图神经网络（GNN）的可靠性和可信度，并提高其决策逻辑的透明度，一个新的解释可解释性（XGNN）领域已涌现。然而，两个主要限制严重降低了现有 XGNN 方法的性能并阻碍了其通用性：(a) 未能捕获 GNNs 在整个数据集样本空间中不同分布下的完整决策逻辑，(b) 对边缘属性和 GNN 内部可访问性施加严格先决条件。为解决这些限制，我们提出 OPEN，即为 GNNs 的全面且无先决条件的解释器。OPEN 是文献中首个能推断并将整个数据集样本空间划分为多个环境的模型，每个环境包含遵循不同分布的图。OPEN 进一步通过从每个环境中抽取子图并分析其预测来学习 GNNs 在不同分布下的决策逻辑，从而消除严格先决条件的需求。实验结果表明，OPEN 捕获了 GNNs 的近乎完整决策逻辑， 在忠实度上超越了最先进的方法，同时保持类似的效率，并在实际场景中提高了鲁棒性。