PGM-Explainer建立了一个概率图模型,为GNN提供实例级解释。
-
论文标题:PGM-Explainer: Probabilistic Graphical Model Explanations for Graph Neural Networks
实验
本节提供了我们的实验,比较了PGM-Explainer与现有GNN解释方法的性能,包括GNNExplainer[24]和我们将Shapley Additive Explainer(Shap)[17]扩展到GNN的实现。我们选择Shap来表示基于梯度的方法有两个原因。首先,GNN基于梯度的方法的源代码要么不可用,要么仅限于特定的模型/应用。其次,Shap是一种加性特征属性方法,统一了传统神经网络的解释方法[17]。通过PGM-Explainer和Shap的比较,我们的目的是证明解释特征的线性无关假设在解释GNN预测时的缺陷。我们还证明了基于香草梯度的解释方法和GNNExplainer可以被认为是附录A中的附加特征属性方法。我们的源代码可以在[34]中找到。
数据集和实验设置
合成节点分类任务</