TPAMI 2024 | FlowX: 通过消息流实现可解释的图神经网络

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。