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