UNR-Explainer：面向无监督节点表示学习模型的反事实解释
机器学习
2026-05-19 v1 人工智能
摘要
节点表示学习，如图神经网络（GNN），已成为机器学习中的关键方法。可靠解释生成的需求日益增长，但无监督模型仍受到忽视。为填补这一差距，我们提出了一种用于生成无监督节点表示学习中反事实（CF）解释的方法。我们识别导致感兴趣节点在学习嵌入空间中经过扰动后，其 k 最近邻显著变化的最重要子图。基于 k 最近邻的 CF 解释方法为理解无监督下游任务（如 top-k 链接预测和聚类）提供简洁而关键的信息。因此，我们提出了 UNR-Explainer，通过蒙特卡洛树搜索（MCTS）为无监督节点表示学习方法生成富有表达力的 CF 解释。该方法在 diverse 数据集上用于 GraphSAGE 和 DGI 上表现优异。
引用
@article{arxiv.2605.17285,
title = {UNR-Explainer: Counterfactual Explanations for Unsupervised Node Representation Learning Models},
author = {Hyunju Kang and Geonhee Han and Hogun Park},
journal= {arXiv preprint arXiv:2605.17285},
year = {2026}
}
备注
Accepted at ICLR 2024