X-Node：我们只需要自我解释
机器学习
2025-08-15 v1 人工智能
摘要
图神经网络（GNN）通过捕捉数据实例之间的结构依赖关系，在计算机视觉和医学图像分类任务中取得了最先进的成绩。然而，其决策过程仍然大体不可见，限制了其在解释性至关重要的高风险临床应用中的可信度。现有的 GNN 解释技术通常是后置的且全局的，仅能提供对单个节点决策或局部推理的有限见解。我们引入 X-Node，一个自解释 GNN 框架，其中每个节点在预测过程中生成自己的解释。对于每个节点，我们构建了一个结构化的上下文向量，编码了解释性线索，如节点度、中心性、聚类系数、特征灵敏度和标签一致性等局部拓扑信息。一个轻量级 Reasoner 模块将此上下文映射为紧凑的解释向量，作为三个目的：（1）通过解码器重建节点的潜在嵌入以强制忠实性；（2）使用预训练的大语言模型（如 Grok 或 Gemini）生成自然语言解释；（3）通过一种“文本注入”机制将解释反馈到消息传递管道中，以指导 GNN 本身。我们在两个源自 MedMNIST 和 MorphoMNIST 的图数据集上评估了 X-Node，集成了 GCN、GAT 和 GIN 作为骨干网络。我们的结果表明，X-Node 在保持竞争的分类准确率的同时，能够产生忠实的、逐节点级别的解释。项目仓库：https://github.com/basiralab/X-Node。
引用
@article{arxiv.2508.10461,
title = {X-Node: Self-Explanation is All We Need},
author = {Prajit Sengupta and Islem Rekik},
journal= {arXiv preprint arXiv:2508.10461},
year = {2025}
}