对比图神经网络解释

ICMLOct, 2020

Contrastive Graph Neural Network Explanation

Lukas Faber, Amin K. Moghaddam, Roger Wattenhofer

TL;DR本文提出了一种基于 Distribution Compliant Explanation（DCE）的 Contrastive GNN Explanation（CoGE）技术，该技术适用于 Graph Neural Networks，并且可以提供更精确的模型解释。

Abstract

graph neural networks achieve remarkable results on problems with structured data but come as black-box predictors. Transferring existing explanation techniques, such as occlusion, fails as even removing a single node or edge can lead to drastic changes in the graph. The resulting grap

graph neural networks explanation techniques distribution compliant explanation novel contrastive gnn explanation coge

发现论文，激发创造

利用描述逻辑进行异构图神经网络的全局解释

利用类描述逻辑中的类表达式，我们提供了异构图的解释方法，通过 GNN 和两种不同的评分函数，构建多个图并聚合预测得分，或者通过保真度评分函数将 GNN 的预测结果与类表达式的预测结果进行比较，而非使用子图解释。

May, 2024

图神经网络的鲁棒性因果解释

提出了一种能够生成对于噪音稳健且符合人类直觉的图神经网络的可靠反事实解释的新方法，该方法明确地对相似输入图的常见决策逻辑进行建模，并从许多相似输入图的公共决策边界中产生可靠的解释。

Jul, 2021

深度对比图学习与聚类导向引导

基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。

Feb, 2024

图神经网络中的可解释性：一个实验调研

本文概述了当前流行的图神经网络（GNN）解释方法，包括新的评估指标和真实世界数据集的实验比较，并提出了未来的解释发展方向。

Mar, 2022

使用预训练语言模型生成解释图：对比学习的实证研究

该研究针对预训练语言模型生成结构化输出能力进行分析，提出以节点和边为编辑操作的基本图形干扰方案，有效提升对解释图形的语义和结构精度，并将其应用于对比学习建模中。

Apr, 2022

图卷积网络的可解释性技术

探讨利用基于梯度和分解两种主要技术在一个玩具数据集和化学任务上提高 Graph Networks 决策的可解释性，为未来的开发和真实世界问题的应用奠定了基础。

May, 2019

解密图神经网络解释

该研究论文探讨了关于图神经网络（GNNs）在决策过程中透明度不足的问题，并针对生成 GNNs 解释的方法和数据的评估，研究了三个主要领域的普遍问题：（1）合成数据生成过程，（2）评估指标，以及（3）解释的最终呈现。此外，本文进行了一项实证研究，探讨了这些问题的意外后果，并提出了缓解这些问题的建议。