通过在线知识蒸馏实现解释 GNN 的多专业学习者

Oct, 2022

通过在线知识蒸馏实现解释 GNN 的多专业学习者

Toward Multiple Specialty Learners for Explaining GNNs via Online Knowledge Distillation

Tien-Cuong Bui, Van-Duc Le, Wen-syan Li, Sang Kyun Cha

TL;DRSCALE 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。

Abstract

graph neural networks (GNNs) have become increasingly ubiquitous in numerous applications and systems, necessitating explanations of their predictions, especially when making critical decisions. However, explaining GNNs is challenging due to the complexity of graph data and model execu

graph neural networks explanation scale specialty learners interpretability

发现论文，激发创造

基于原型的自解释图神经网络

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

GNNExplainer: 生成图神经网络解释

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

自说明图神经网络探索

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

XGNN: 面向图神经网络模型级解释

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

图神经网络的因子化解释器

我们展示了在传统方法无法获得满足可解释性准则的解释时，一种基于修改后的图信息瓶颈原理的因子解释模型的有效性，并进行了广泛实验证实。

Dec, 2023

DyExplainer：可解释的动态图神经网络

使用 DyExplainer 方法解释动态图神经网络，通过稀疏注意机制探索结构关系和时间依赖性，并结合对比学习技术提供先验引导正则化，以实现对模型预测的解释性和预测准确性的显著提升。

Oct, 2023

自解释图神经网络用于链路预测

本文提出一种自我可解释的 GNN 框架，可以同时给出精确的预测和解释，通过找到一个节点的各种 $k$ 个重要邻居，为该节点到其他节点的链接学习对特定的表示，从而得出解释。

May, 2023

GNNAnatomy: 图神经网络的多层解释的系统生成与评估

GNNAnatomy 是一个模型和数据集通用的视觉分析系统，利用 graphlets 来解释 Graph Neural Networks 在图级分类任务中的行为，并通过两个指标验证推测的 graphlet 解释的有效性和对分类结果的影响。

Jun, 2024

学习解释图神经网络

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

无任务图解释

本文提出了一种独立于下游模型的、在自监督下训练的 GNN 解释器（TAGE），能够解释未知下游任务的 GNN 嵌入模型，无论是多任务模型还是自监督训练模型，在多个下游任务中使用同一模型进行解释，其解释质量甚至比现有的 GNN 解释方法更好。

Feb, 2022