ग्राफ न्यूरल नेटवर्क्स के लिए अपरिवर्तित तर्कों की खोज

ग्राफ न्यूरल नेटवर्क्स (GNNs) की अंतर्निहित व्याख्यात्मकता यह है कि इनपुट ग्राफ की विशेषताओं का एक छोटा उपसमुच्चय -- तर्क -- ढूंढना है, जो मॉडल की भविष्यवाणी को मार्गदर्शित करता है। दुर्भाग्य से, प्रमुख तर्कीकरण मॉडल अक्सर डेटा पूर्वाग्रह पर निर्भर करते हैं, विशेष रूप से शार्टकट विशेषताओं पर, तर्क बनाने और महत्वपूर्ण और कारण पैटर्न की जांच किए बिना भविष्यवाणियाँ करने के लिए। इसके अलावा, ये डेटा पूर्वाग्रह आसानी से प्रशिक्षण वितरण के बाहर बदल जाते हैं। परिणामस्वरूप, ये मॉडल आउट-ऑफ-डिस्ट्रिब्यूशन डेटा पर व्याख्यात्मकता और भविष्यवाणी के प्रदर्शन में भारी गिरावट का सामना करते हैं। इस कार्य में, हम अंतर्निहित व्याख्यात्मक GNNs का निर्माण करने के लिए अपरिवर्तित तर्क (DIR) खोजने की एक नई रणनीति का प्रस्ताव देते हैं। यह प्रशिक्षण वितरण पर हस्तक्षेप करता है ताकि कई हस्तक्षेप वितरण बनाए जा सकें। फिर यह विभिन्न वितरणों में अपरिवर्तित कारण तर्कों की ओर बढ़ता है जबकि अस्थिर झूठे पैटर्न को फ़िल्टर करता है। सिंथेटिक और वास्तविक विश्व डेटा सेट पर प्रयोग हमारे DIR की व्याख्यात्मकता और ग्राफ वर्गीकरण पर प्रमुख मानकों की तुलना में सामान्यीकरण क्षमता के संदर्भ में श्रेष्ठता को मान्य करते हैं। कोड और डेटा सेट https://github.com/Wuyxin/DIR-GNN पर उपलब्ध हैं।