论文浅尝 - ICML2020 | 对比图神经网络解释器

会员服务 ·

论文浅尝 - ICML2020 | 对比图神经网络解释器

2020 年 9 月 9 日 开放知识图谱

论文笔记整理：方尹，浙江大学在读博士，研究方向：图表示学习。

Contrastive Graph Neural Network Explanation

动机与贡献
本文主要关注图神经网络的解释性问题，这样的解释有助于提升GNN的可信度，能够更好的理解输入中的哪些部分对预测结果的影响最大。本文主要的贡献有三个：

1）提出了Distribution Compliant Explanation (DCE)主张，要求做模型解释所用到的数据要和训练数据服从相同的分布，即具有一致性；

2）基于DCE，他们提出了一种方法，Contrastive GNN Explanation (CoGE)，用于解释GNN在图分类问题中的预测结果;

3）在真实数据集和合成数据集上证明了这种方法的有效性。

相关工作

之前已经有过一些用于解释网络的方法：

1）Occlusion: 它是通过遮挡一个节点或者一条边，通过这样做对预测结果的影响大小，来判断该节点或边的重要性程度。

2）GNNExplainer: 通过最大化预测结果和子图结构之间的互信息，找到最重要的结构和特征。

3）Image attribution methods: 计算每个节点的相关性得分，并把这个相关性得分反向传播到输入层，以得到节点和输入之间的相关性。

DCE主张

以上提到的方法中有一些是基于图像的方法，它们考察的是像素而不是边。如果直接迁移到GNN上来会有一些弊端。直接移除边可能会得到disconnected graph. 而且很小的扰动也会导致图的拓扑结构发生很大的变化，从而导致模型的预测结果的变化，不利于判断到底哪些节点或者边对模型预测起关键性作用。

因此文章中提出，做模型解释的时候用到的数据必须和训练数据的分布具有一致性，而不能使用拓扑结构差异很大的数据。

模型与算法

根据DCE，文章提出了一种对比的方法，一个图的graph embedding远离和它具有不同label的图，靠近和它具有相同label的图，是因为图中某些parts在起作用。

这里用到了最优传输距离OT，图2展示了如何计算第一张图和第二张图之间的OT.首先给每个节点分配了一个权重，并且保证每个图的所有节点的权重之和为1，每个source node都要把自己的权重传输给target nodes, target nodes可以有一个或多个。每一个权重表示它们的最大容量，就是target nodes接收到的权重不能大于它本身的最大容量。一个传输过程的cost是传输权重乘以两节点的表示之间的距离。这里node embedding之间距离用L2距离计算。最优运输就是找到全局的最优权重分配，在这个过程中可能会涉及到某些节点的次优选择，比如图2中，节点2没有把所有权重都传输到节点4，即使他俩的node embedding是相同的，不会有cost. OT使得我们能够在节点的粒度上去对比两个图的表示。

Source node的权重也可以是不相等的，如果要最小化OT，那么在target图中没有对应项的节点的权重就会比较低。如节点2的对应项是4，2有对应项，1和3没有，那么1和3的权重就会比2低。若节点有对应项，source node和target node之间的距离为0，如果要最小化OT，其他source node的权重就会比较低。同理，如果要最大化OT，那么在target图中有对应项的节点的权重就会比较低。（让其他不为0的项更大）

CoGE的基本思想就是同时最大化具有相同label的图之间的OT和最小化不同label的图之间的OT,并寻找其中具有最小权重的那些节点，那些点就是explanation nodes.

第一部分是最大化同一类图之间的OT，又因为在最大化OT时，在target图中有对应项的节点的权重比较低，如图中2的权重比较低，去找其中具有最小权重的节点，就是在找有对应项的节点，相当于在找两个图中的共性，这些节点解释了为什么两个图可以被归为一类；

第二部分是最小化不同类图之间的OT，在最小化OT时，在target图中没有对应项的节点的权重比较低，比如图中1和3，去找其中具有最小权重的节点就是在找没有对应项的节点，相当于在找两个图中的特性，这些节点解释了为什么两个图不是同一类。

CoGE就是要同时做这两件事，可以归纳为公式1：

第一项损失，这里d指的是G和H两个不同类别的图之间的OT，其中G是权重不是均等的，H的权重是均等的，计算出G和所有不同类别的图之间的OT，选出其中最相似的k个，取平均；第二项损失是k个最相似的相同类别的图之间OT的平均。因为要最大化同一类图之间的OT，所以第二项损失前面取负号。第三项损失是一个惩罚项，它计算的是G和均等权重的G之间的OT，它惩罚了偏离均等权重的情况，因此会使w只做出有实质性好处的微小调整。

实验与结果

文章在两个用于图形分类的真实数据集上做了explanation：

1、 MUTAG 标记了 4337 个化学分子的诱变性，图3中颜色越浅表明该节点越重要， CoGE 方法将 NO2 识别为最重要的，一些文献已表明 NO2 确实是具有诱变性的，但是 NO2 也存在于一些非诱变的图中； CoGE 同时也发现 O 旁边的 C 对诱变性的判别也很重要。 CO 和 NO2 的组合仅存在于诱变的实例中，不具有诱变性的化学分子不会同时含有这两个结构。

2、REDDIT-BINARY是一个论坛讨论数据集。节点是用户，边是对另一个用户评论的响应，两个label分别为Q&A和discussion。如图4所示，CoGE认为中心节点以及与中心节点相连的节点对分类起重要作用。事实上，Q&A是大多数用户向极少数的专家提问并且得到答复。而Online Discussion具有深度比较大的树状结构。

3、本文还在一个合成数据集CYCLIQ上进行了实验。这是一个用于二分类的数据集，它的label是图里是含有环或含有团。这个问题中正确的explanation应是包含在团或者环结构中的边。边的重要性是边两头的节点的重要性之和。

4、explanation的准确性定义如下，用CoGE选出x条最重要的边，找出在这x条边中有多少条在环或者团中，计算两者的比例。实验的baseline是random guessing, 基于节点的occlusion（通过移除或遮挡一些节点，计算它对实验结果的影响）,sensitivity analysis（反向传播）,GNNExplainer.由表1，解释团的准确率大于解释环的，CoGE产生了最好的结果，对于两种类别来说，准确率都比其他方法高出10%。图1展示了随机抽取的某个示例，CoGE很准确的找到了包含在团中的边。