为何自不一致在图神经网络解释中出现及如何利用它
机器学习
2026-05-11 v1 人工智能
摘要
近期研究发现，自可解释图神经网络（SI-GNN）产生的解释可能是自不一致的：当模型被重新应用到其自身解释图子集时，可能会产生不同的解释。然而，为何会产生自不一致性仍不完全清楚。本文首先识别出重新解释引起的情境扰动是得分变化的直接原因。随后，我们提出一种潜在信号分配假设来解释为何只有某些边对这种扰动敏感，并分析简洁正则化如何影响潜在信号分配。鉴于自不一致边不为模型预测提供稳定的证据，我们提出自去噪（SD）方法，这是一种模型无关且无需训练的后处理策略，通过仅进行一次额外的前向传播来校准解释。跨多个代表性 SI-GNN 框架、骨干架构和基准数据集的实验支持我们的假设，并表明 SD 在实际操作中仅增加约 4--6% 的计算开销，一致地改善了解释质量。
引用
@article{arxiv.2605.07527,
title = {Why Self-Inconsistency Arises in GNN Explanations and How to Exploit It},
author = {Wenxin Tai and Yaqian Liu and Ting Zhong and Fan Zhou},
journal= {arXiv preprint arXiv:2605.07527},
year = {2026}
}