PGM-Explainer

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

• 论文地址：2010.05788.pdf (arxiv.org)

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

考虑了附录I中详细说明的六个合成数据集。我们重用了[24]的源代码，因为我们希望在相同的设置下评估解释器。在这些数据集中，每个输入图都是一个基图和一组主题的组合。基于每个节点在该主题中的角色来确定该主题上每个节点的地面真实标签。由于标签是根据母题的结构确定的，因此对节点角色预测的解释是同一母题中的节点。因此，这些数据集中的地面真