【WWW2024】博弈论式反事实解释图神经网络

图神经网络（GNNs）已成为复杂网络中节点分类任务的强大工具。然而，它们的决策过程对用户来说仍是一个黑盒，这使得理解它们预测背后的推理变得具有挑战性。反事实解释（CFE）在增强机器学习模型的可解释性方面显示出了前景。以前计算GNNs的CFE的方法通常是基于学习的方法，需要训练额外的图。在这篇论文中，我们提出了一种基于半值的非学习方法来生成节点分类任务的CFE，消除了任何额外训练的需求。我们的结果揭示了计算班扎夫值（Banzhaf values）在识别反事实解释方面需要的样本复杂度比计算沙普利值（Shapley values）等其他流行方法低。我们的实证证据表明，与沙普利值相比，计算班扎夫值可以实现高达四倍的速度提升。我们还设计了一种计算班扎夫值的阈值方法，并展示了其在嘈杂环境中的鲁棒性的理论和实证结果，使其优于沙普利值。此外，阈值化的班扎夫值被证明在不牺牲解释的质量（即，忠实度）的情况下，提高了三个流行图数据集的效率。