【斯坦福大学NeuralPS2019】GNN解释器，GNNExplainer: Generating Explanations for Graph Neural Networks，斯坦福大学|Jure Leskovec

题目： GNNExplainer: Generating Explanations for Graph Neural Networks

简介： 图神经网络（GNN）通过沿输入图的边缘递归传递神经消息，将节点特征信息与图结构结合在一起。但是同时包含图结构和特征信息会导致模型复杂，并且解释GNN所做的预测仍未解决。在这里，我们提出GNNExplainer，这是第一种通用的，与模型无关的方法，可为任何基于GNN的模型的预测提供可解释性。给定一个实例，GNNExplainer会确定紧凑的子图结构和节点特征的一小部分，这些特征对GNN的预测至关重要。此外，GNNExplainer可以为整个实例类生成一致而简洁的解释。我们将GNNExplainer公式化为优化任务，该优化任务可最大化GNN的预测与可能的子图结构的分布之间的相互信息。在合成图和真实世界图上进行的实验表明，我们的方法可以识别重要的图结构以及节点特征，并且比基准性能高出17.1％。 GNNExplainer提供了各种好处，从可视化语义相关结构的能力到可解释性，再到洞悉有缺陷的GNN的错误。

作者简介： 领域的大牛Jure Leskovec，是斯坦福大学计算机学院的副教授，也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。研究重点是对大型社会和信息网络进行挖掘和建模，它们的演化，信息的传播以及对它们的影响。 调查的问题是由大规模数据，网络和在线媒体引起的。 Jure Leskovec主页

代码链接： https://github.com/RexYing/gnn-model-explainer