面向图神经网络忠实且一致的解释

揭示图神经网络（GNN）预测背后的原理近年来受到越来越多的关注。实例级 GNN 解释旨在发现目标 GNN 赖以做出预测的关键输入元素，如节点或边。尽管提出了多种算法，它们大多通过将此任务形式化为搜索可保持原始预测的最小子图来建模。然而，该框架深植一种归纳偏置：若干子图可产生与原始图相同或相似的输出。因此，它们有提供伪解释的危险，且无法提供一致的解释。将其用于解释弱性能 GNN 会进一步放大这些问题。为解决这个问题，我们从因果视角理论考察 GNN 的预测。识别出伪解释的两类典型原因：潜在变量（如分布偏移）的混杂效应，以及与原始输入不同的因果因素。观察到混杂效应和多样因果原理均编码于内部表示中，我们提出一种简单而有效的通过对齐嵌入的应对方法。具体地，针对高维空间中潜在的偏移，我们设计了基于锚点的分布感知对齐算法。这一新目标易于计算，且可零成本或低成本融入现有技术。理论分析表明，它实际上是在优化一个设计中更忠实的解释目标，从而进一步佐证所提方法。