迭代图神经网络通过解释的频繁子图挖掘进行增强

Mar, 2024

迭代图神经网络通过解释的频繁子图挖掘进行增强

Iterative Graph Neural Network Enhancement via Frequent Subgraph Mining of Explanations

Harish G. Naik, Jan Polster, Raj Shekhar, Tamás Horváth, György Turán

TL;DR我们提出了一种基于可解释人工智能的模型改进方法，名为 Explanation Enhanced Graph Learning (EEGL)，旨在通过解释来提高图神经网络（GNN）在节点分类中的预测性能。EEGL 是一个迭代的自我改进算法，通过频繁子图挖掘来寻找解释子图中的相关模式，并进一步过滤以获得与节点邻域中特定子图的存在对应的应用相关特征。我们提供了针对这种基于子图的 Weisfeiler-Leman（1-WL）算法扩展的应用相关算法，并通过合成和真实世界数据的实验证据表明，EEGL 在预测性能方面优于相关方法，并具有超越普通 GNN 的节点区分能力。我们还分析了 EEGL 的训练动态。

Abstract

We formulate an xai-based model improvement approach for Graph Neural Networks (GNNs) for node classification, called Explanation Enhanced Graph Learning (EEGL). The goal is to improve predictive performance of G

xai-based model improvement graph neural networks explanation enhanced graph learning predictive performance subgraph-based extension

发现论文，激发创造

EiG-Search：生成图神经网络解释的边诱导子图方法

图神经网络的预测解释对于增强其安全性和可信度至关重要。本文介绍了一种名为 EiG-Search 的无需训练的方法，通过边诱导的子图进行高效线性时间搜索，边的重要性由增强的基于梯度的方法进行排序，实验结果在七个数据集上显示了其在性能和效率上的优越性。

May, 2024

有序子图聚合网络

本文提供了一种统一的方法来研究增强次图 GNN 的架构，包括理论框架和对子图增强 GNN 可表达性的已知结果进行扩展，同时研究了三种用于学习采样子图的方法，通过实验证明了数据驱动架构可以提高标准基准数据集的预测精度，同时减少计算时间。

Jun, 2022

通过子图探索解释图神经网络

本研究提出了一种名为 SubgraphX 的算法，采用蒙特卡洛树搜索来探索重要子图并使用 Shapley 值作为子图重要性的度量，从而以明确和直接的方式解释图神经网络 (GNNs) 的预测结果.

Feb, 2021

增强的图神经网络与以自我为中心的谱子图嵌入增强

在复杂网络中，图神经网络（GNNs）在各种基于学习的任务中表现出显著的优势。然而，对于许多网络应用而言，节点级信息可能缺失或不可靠，从而限制了 GNNs 的适用性和效果。为了解决这个问题，我们提出了一种名为 Ego-centric Spectral subGraph Embedding Augmentation（ESGEA）的新方法，旨在增强和设计节点特征，特别是在信息缺乏的情况下。我们的方法利用局部子图的拓扑结构来创建具有拓扑感知能力的节点特征。子图特征通过高效的谱图嵌入技术生成，并作为捕捉网络局部拓扑结构的节点特征。如果存在显式节点特征，则使用子图嵌入来增强这些特征以提高整体性能。ESGEA 适用于任何基于 GNN 的架构，即使在没有节点特征的情况下也能有效。我们在一个社交网络图分类任务以及一个节点分类任务上对所提出的方法进行了评估，其中节点属性不可用或特征被破坏甚至不存在。对七个数据集和八个基准模型的评估结果表明，在图分类任务和节点分类任务中，AUC 值和准确度分别提高了 10% 和 7%。

Oct, 2023

结合随机解释器和子图神经网络可提高表达能力和可解释性

该论文介绍了如何利用有意义的子图来加强图神经网络的表达能力，并提出了一个能够同时预测图分类和辅助解释性稀疏子图的新框架，其所提供的子图能够在保持相近精度的情况下提供说明性的解释。

Apr, 2023

DAG Matters! GFlowNets 增强图神经网络的解释器

本研究提出了一种基于 GFlowNets 的 GNN Explainer（GFlowExplainer）方法，通过生成结构而非组合优化的方法来生成子图，加快对 GNN 预测结果的解释，并在综合性实验中证明了其优越性。

Mar, 2023

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

嵌套图神经网络

这篇论文提出了 Nested Graph Neural Networks (NGNNs) 框架，通过将节点表示编码为子图而不是子树来表示整个图，从而比 1-WL 更强大地区分几乎所有 r 正则图，并且在基准数据集上表现出高度竞争性表现。

Oct, 2021

EiX-GNN : 图神经网络的概念层特征中心性解释器

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

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