提出了一种名为 XGNN 的新方法，通过训练图生成器来解释 GNN 在模型级别的工作，其中将图形生成作为强化学习任务，并利用训练的 GNN 信息对图形生成器进行策略梯度方法的训练，最终可以有效地理解和验证所训练的 GNN 的结果，并在生成的图形上改进 GNN 的性能。

Jun, 2020

本研究提出了一种框架，可以学习原型图，从而同时提供准确的预测和基于原型的解释，用于自我解释的图神经网络，实验结果表明其在真实和人工数据集上都具有良好的预测和解释质量。

Oct, 2022

SCALE 是一个快速通用的 GNN 解释框架，通过训练多个特殊学习器来解释预测，同时提供结构化的总体和实例级特征贡献。

Oct, 2022

该研究提出了 GNNExplainer 方法，能够为任何基于 GNN 的模型和任何基于图的机器学习任务提供可解释性的预测解释，该方法能够识别关键的子图结构和节点特征，并能够生成一致而简洁的解释。

Mar, 2019

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

通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器（MAGE），本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集，验证了该方法的有效性。

May, 2024

本文研究自解释图神经网络的新问题，提出了新的框架以实现可解释的节点分类，通过可解释的相似性模块以找到每个未标记节点的 $K$ 近邻标记节点，并在真实世界和合成数据集上进行了广泛的实验验证。

Aug, 2021

本文提出了一种基于信息瓶颈理论的目标函数和混合框架来解释解释图回归模型（XAIG-R）的方法，并引入了对比学习策略来解决连续有序标签的问题，实验证明该方法在解释图神经网络模型中的回归任务方面具有有效性。

Jul, 2023

提出了一种可解释的空时图神经网络（STExplainer）框架，以提高 Spatio-temporal Graph Neural Networks（STGNNs）的可解释性，同时实现准确的预测和可信的解释。通过与其他模型的实验比较，证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度，并能更好地处理数据丢失和稀疏性问题。

Oct, 2023

L2XGNN 是一种可解释型 GNN 框架，它能够学习选择解释性亚图，并指定其需要具备的属性，如稀疏性和连通性，从而提高预测的可解释性和准确性。它可以达到与传统方法相同的分类准确性，同时使用的仅仅是提供的解释所包含的亚图。

Sep, 2022