xAI-Drop：不要使用无法解释的内容
机器学习
2026-05-05 v2 人工智能
摘要
图神经网络 (GNN) 已成为从图结构数据中学习的主流范式，广泛应用于社交网络分析和生物信息学等领域。尽管其灵活性突出，但面临泛化性差和可解释性不足的挑战，限制了其在关键应用中的采纳和可靠性。丢弃 (dropping) 已成为提高 GNNs 泛化能力的有效方法。然而，现有方法通常依赖随机或基于经验的选择标准，缺乏原则性方法识别并排除Contributing 噪声和过度复杂性的节点。本文认为，可解释性应是模型质量的关键指标，贯穿其训练过程。为此，我们引入 xAI-Drop，一种基于可解释性的拓扑水平丢弃正则化器，用于识别 GNN 传播机制中需被排除的噪声网络元素。在多样化真实数据集上的实证评估表明，我们的方法在准确率上优于当前最先进的丢弃方法，并改善了解释质量。
引用
@article{arxiv.2407.20067,
title = {xAI-Drop: Don't Use What You Cannot Explain},
author = {Vincenzo Marco De Luca and Antonio Longa and Pietro Liò and Andrea Passerini},
journal= {arXiv preprint arXiv:2407.20067},
year = {2026}
}