【NeurIPS 2020】图神经网络的参数化解释器，Parameterized Explainer for GNN

尽管最近在图神经网络(GNN)方面取得了进展，但如何解释GNN的预测仍然是一个具有挑战性的开放问题。主要的方法是独立地解决局部解释(即重要的子图结构和节点特征)，以解释GNN模型为什么对单个实例(如节点或图)进行预测。因此，生成的解释是为每个实例精心定制的。独立解释每个实例的唯一解释不足以提供对所学GNN模型的全局理解，导致缺乏泛化性，并阻碍其在归纳设置中使用。此外，由于它是为解释单个实例而设计的，自然地解释一组实例(例如，给定类的图)是具有挑战性的。在本研究中，我们解决了这些关键挑战，并提出了PGExplainer，一种用于GNNs的参数化解释器。PGExplainer采用深度神经网络对解释的生成过程进行参数化，使PGExplainer能够自然地对多个实例进行集体解释。与现有的工作相比，PGExplainer具有更好的泛化能力，可以方便地用于归纳设置。在合成数据集和真实数据集上的实验显示了高度匹配的性能，在解释图分类方面的AUC相对于领先基线提高了24.7% %。

https://arxiv.org/abs/2011.04573