图神经网络解释性问题综述

图神经网络的可解释性是目前比较值得探索的方向，这篇综述论文针对近期提出的 GNN 解释技术进行了系统的总结和分析，归纳对比了该问题的解决思路。作者还为GNN解释性问题提供了标准的图数据集和评估指标，将是这一方向非常值得参考的一篇文章。

• 论文标题：Explainability in Graph Neural Networks: A Taxonomic Survey
• 论文地址：https://arxiv.org/pdf/2012.15445.pdf

图神经网络的解释性问题综述

摘要

在这篇论文中，作者对目前的GNN解释技术从统一和分类的角度进行了总结，阐明了现有方法的共性和差异，并为进一步的方法发展奠定了基础。此外，作者专门为GNN解释技术生成了基准图数据集，并总结了当前用于评估GNN解释技术的数据集和评估方法。

介绍

解释黑箱模型很重要

深层模型的解释技术大致分为两类：

• 依赖输入的解释方法
• 独立于输入的解释方法

这些研究只关注图像和文本领域的解释方法，而忽略了深度图模型的可解释性。

近年来，图神经网络很火，因为许多真实世界的数据都是用图来表示的。近年来，人们提出了几种解释 GNN 预测的方法，如XGNN[43]、gnexplainer[44]、PGExplainer[45]和subgraphx[46]等。这