题目:FlowX: Towards Explainable Graph Neural Networks via Message Flows
FlowX: 通过消息流实现可解释的图神经网络
作者:Shurui Gui; Hao Yuan; Jie Wang; Qicheng Lao; Kang Li; Shuiwang Ji
摘要
我们研究了图神经网络 (GNNs) 的可解释性,以阐明其工作机制。虽然目前大多数方法都专注于解释图的节点、边或特征,但我们认为,作为 GNNs 的固有功能机制,消息流在执行可解释性时更为自然。为此,我们提出了一种新方法,称为 FlowX,通过识别重要的消息流来解释 GNNs。为了量化消息流的重要性,我们建议遵循合作博弈论中的 Shapley 值哲学。为了应对计算所有联盟边际贡献的复杂性,我们提出了一种流采样方案来计算 Shapley 值近似值,作为进一步训练的初步评估。然后,我们提出了一种信息控制的学习算法,针对不同的解释目标训练流得分:必要解释或充分解释。对合成和现实世界数据集的实验研究表明,我们提出的 FlowX 及其变体在提高 GNNs 的可解释性方面具有显著优势。