GraphLIME实验总结

GraphLime将LIME算法扩展到深度图模型，并研究不同节点特征对节点分类任务的重要性。

• 论文标题：GraphLIME: Local Interpretable Model Explanations for Graph Neural Networks
• 论文地址：https://arxiv.org/pdf/2001.06216.pdf

GraphLIME实验

实验目的

研究GraphLIME的有效性。

首先，研究GraphLIME能否过滤无用的特征并选择有用的特征作为解释。

其次，研究GraphLIME的解释能否帮助用户确定预测是否可信。

最后，研究GraphLIME的解释能否帮助用户选择更好的分类器。

实验方案

验证GraphLIME对特征的过滤能力

与其他解释器做对比实验

首先，我们在每个样本的特征向量中人工随机添加10个“噪声”特征。

然后，我们训练出GraphSAGE模型或GAT模型，让其测试准确率均在80%以上。因此，我们获得了训练模型的无用特征集(10个“噪声特征”)。

最后，我们对每个解释框架的200个测试样本进行了解释，并根据样本在不同数量噪声特征上的频率分布来比较它们的性能。

我们利用核密度估计(KDE)在Cora和Pubmed上绘制5种不同解释框架下，样本在不同数量噪声特征上的频率分布，并