GIN-Graph: Ein Generatives Interpretationsnetzwerk für die Modell-Ebene Erklärung von Graph-Neuronalen Netzwerken

Eine wesentliche Herausforderung bei der Nutzung von Graph-Neuronalen Netzwerken (GNNs) in realen Szenarien besteht darin, dass sie immer als Blackboxes behandelt werden, was daher die Anforderung an die Interpretierbarkeit mit sich bringt. Um dies zu adressieren, wurden Methoden zur Modell-Ebene Interpretation entwickelt, um zu erklären, welche Muster die Wahrscheinlichkeit maximieren, einer bestimmten Klasse zugeordnet zu werden. Bestehende Methoden zur Modell-Ebene Interpretation weisen jedoch mehrere Einschränkungen auf, wie die Generierung ungültiger Erklärungsgraphen und mangelnde Zuverlässigkeit. In diesem Papier schlagen wir ein neues Generatives Interpretationsnetzwerk für die Modell-Ebene Erklärung von Graph-Neuronalen Netzwerken (GIN-Graph) vor, um zuverlässige und qualitativ hochwertige Erklärungsgraphen auf Modell-Ebene zu generieren. Die impliziten und wahrscheinlichkeitfreien generativen adversarialen Netzwerke werden genutzt, um die Erklärungsgraphen zu konstruieren, die den ursprünglichen Graphen ähnlich sind und gleichzeitig die Vorhersagewahrscheinlichkeit für eine bestimmte Klasse maximieren, indem ein neuartiges Zielverfahren für den Generator mit einem dynamischen Verlustgewichtsschema angewendet wird. Experimentelle Ergebnisse zeigen, dass GIN-Graph zur Interpretation von GNNs, die auf verschiedenen Graph-Datensätzen trainiert wurden, angewendet werden kann und qualitativ hochwertige Erklärungsgraphen mit hoher Stabilität und Zuverlässigkeit generiert.