利用描述逻辑实现异构图神经网络的全局解释
人工智能
2024-05-22 v1 计算机科学中的逻辑
摘要
图神经网络（GNN）在图结构数据的节点分类中十分有效，但缺乏可解释性，尤其是在全局层面。当前研究主要利用输入的子图作为局部解释，或生成新图作为全局解释。然而，这些基于图的方法在解释具有多种充分解释的类别时能力有限。为了提供更具表达力的解释，我们提出利用描述逻辑（DL）领域的类表达式（CEs）。我们的方法使用 EL 描述逻辑中的 CEs 来解释具有不同类型节点的异构图。为了在多种候选解释中识别最佳解释，我们采用并比较了两种不同的评分函数：（1）对于给定的 CE，我们构建多个图，让 GNN 对每个图进行预测，并聚合预测分数。（2）我们从保真度的角度对 CE 进行评分，即在单独的验证集上比较 GNN 的预测与 CE 的预测。我们提供基于 CE 的解释，而非基于子图的解释。
引用
@article{arxiv.2405.12654,
title = {Utilizing Description Logics for Global Explanations of Heterogeneous Graph Neural Networks},
author = {Dominik Köhler and Stefan Heindorf},
journal= {arXiv preprint arXiv:2405.12654},
year = {2024}
}