GNNExplainer: Generating Explanations for Graph Neural Networks 个人总结

GNNExplainer: Generating Explanations for Graph Neural Networks 个人总结

写在前面：为方便阅读，尽量使用中文总结，对于翻译无把握或专有词汇，在中文后附上原文字段。此外，水平有限，对文章理解有偏差部分恳请大家海涵, 指正。

0. 原作信息

@inproceedings{ying2019gnnexplainer,
  title={Gnnexplainer: Generating explanations for graph neural networks},
  author={Ying, Zhitao and Bourgeois, Dylan and You, Jiaxuan and Zitnik, Marinka and Leskovec, Jure},
  booktitle={Advances in Neural Information Processing Systems},
  pages={9240--9251},
  year={2019}
}

1. Contribution 本文贡献

• 提出第一款通用，模型无关的(model-agnostic)对于GNN模型的解释器GNNEXPLAINER

• 形式化描述GNNEXPLAINER为最大化互信息的优化任务

• 抽取重要的子图结构及节点特征子集，作为模型解释。

2. Background 背景信息

对于非图结构的神经网络，解释方法主要有如下两个方向：

1. 为整个网络构建简单的代替模型

常为模型无关的(model-agnostic)，在待解释样本点的局部建立可信的估计。

E.g., 线性模型如LIME，规则集合如ANN_DT

2. 识别模型计算过程中的重要层面

E.g. 关注特征梯度(feature gradients)等。

对于图神经网络设计解释方法，除去节点特征外，还需要结合考虑图的结构特征。

3. Problem Formulation 问题定义

3.1 GNN回顾

抽象GNN基本操作如下：

给定GNN模型 $\Phi$ , 对于 $l$ 层节点$v$的特征表达求取，共经过如下3步。

1. 与其邻居节点进行信息传递：

   $m_{ij}^l=\mathrm{MSG}\left({\mathbf{h}}_i^{l-1},{\mathbf{h}}_j^{l-1},r_{ij}\right)$

2. 聚合邻居节点信息：

   $M_i^l=\mathrm{AGG}\left(\left\{m_{ij}^l|v_j\in {\mathcal{N}}_{v_i}\right\}\right)$

3. 结合自身节点上层表达，生成本层节点表达

   ${\mathbf{h}}_i^l=\mathrm{UPDATE}\left(M_i^l,{\mathbf{h}}_i^{l-1}\right)$

3.2 GNNEXPLAINER: Problem formulation

对于节点$v$，其经过图神经网络后得到的embedding，由其对应的邻居节点及特征决定，分别计邻居组成的子图结构为 G c ( v )