采用 GInX-Eval 评估程序，本研究揭示了解释性方法的限制，并提供了新的见解；结果表明，包括基于梯度的方法在内的许多流行方法产生的解释并不优于将边界随机选择为重要子图，这对当前领域的研究成果提出了质疑。

Sep, 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

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

IGNNet 是一个解释性图神经网络，用于处理表格数据，通过表征学习的方式捕获特征交互，大规模的实证研究证明 IGNNet 与 XGBoost、Random Forests 和 TabNet 等最先进的机器学习算法在处理表格数据时表现相当，同时 IGNNet 的解释与特征的 Shapley 值一致而无需额外的计算开销。

Aug, 2023

本文提出了一种名为 EiX-GNN 的新方法，可以编码解释图神经网络的社会依赖关系，并介绍了解释者概念吸收度的概念来适应解释需要，实现了针对真实数据的定性研究和比较，并在公平性和简洁性方面取得了良好的结果。

Jun, 2022

本文提出了第一个系统性的图神经网络的可解释性评估框架，比较了该领域中最具代表性的技术，涉及节点分类任务和欺诈检测应用案例。

Jun, 2022

提出了一个可解释的 GNN 框架 BrainNNExplainer，用于脑网络分析，主要由两个联合学习的模块组成：为脑网络设计的骨干预测模型和突出疾病特定脑网络连接的解释生成器，广泛实验证明了 BrainNNExplainer 的独特解释性和优秀性能。

Jul, 2021

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。

Nov, 2021

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

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