基于视图的图神经网络解释

生成图神经网络（GNN）的解释已被研究以理解其在图分类等分析任务中的行为。现有方法旨在理解GNN的整体结果，而不是为感兴趣的特定类标签提供解释，并且可能返回难以访问且不可直接查询的解释结构。我们提出GVEX，一种生成用于解释的图视图（Graph Views for EXplanation）的新范式。（1）我们设计了一种称为解释视图的两层解释结构。解释视图由一组图模式和一组诱导的解释子图组成。给定一个包含多个图的数据库G和一个由基于GNN的分类器M分配的特定类标签l，它简洁地描述了G中最好地解释为什么M分配l的部分。（2）我们提出了质量度量，并制定了一个优化问题来计算GNN解释的最优解释视图。我们证明该问题是$\Sigma^2_P$-难的。（3）我们提出了两种算法。第一种算法遵循“解释-总结”策略，首先生成高质量的解释子图（在特征影响最大化方面最好地解释GNN），然后执行总结步骤以生成模式。我们证明该策略提供了1/2的近似比。第二种算法对输入节点流进行单遍批处理，以增量方式维护解释视图，具有1/4近似的随时质量保证。使用真实世界基准数据，我们实验证明了GVEX的有效性、效率和可扩展性。通过案例研究，我们展示了GVEX的实际应用。