又一篇Nature！可解释GNN今年持续发力，创新思路有时候就这么简单！

最近发现了一篇优秀的Nature子刊论文，作者提出了一种基于可解释GNN癌症基因分析新框架，在预测任务中实现了卓越的性能表现。

除此之外，还出现了很多可解释GNN的新研究，其中顶会不少，可见无论在学术界和工业界，这方向都相当受欢迎。这是因为可解释GNN不仅能处理复杂数据关系、辅助决策制定，也能促进模型优化、加强用户对模型的信任，在医疗诊断和金融分析这些领域拥有超绝竞争力。

目前这方向主要有基于梯度/特征的方法、基于扰动的方法等，都比较主流，如果有同学想以此发论文，建议从这些角度入手，有参考更好找idea。

这里为了给大家省掉点查找资料的时间，我整理了9篇最新的可解释GNN论文，挑的基本都是有开源代码的，拿来直接复现，希望能给大家的论文加快点进度。

论文原文+开源代码需要的同学看文末

CGMega: explainable graph neural network framework with attention mechanisms for cancer gene module dissection

方法：论文提出了一种新的多组学数据整合方法CGMega，通过有效整合基因组、表观基因组、蛋白质相互作用和3D基因组结构，提升了癌症基因预测的性能。CGMega展示了在不同癌症类型间的知识迁移能力，证实其在预测癌症基因和解析基因模块方面的有效性。

创新点：

• 利用图注意力和图解释技术开发了一种新框架CGMega，用于研究癌症基因模块。

• 有效整合多组学数据，包括基因组、表观基因组、蛋白质相互作用（PPIs）及3D基因组结构。

• 通过GNNExplainer实现对癌症基因模块的检测，提供对高阶基因模块的深入解析。

Graph Neural Networks for Vulnerability Detection: A Counterfactual Explanation

方法：论文通过引入CFExplainer，提出了一种基于反事实推理的解释器，旨在通过识别代码图的最小扰动来改变GNN模型的漏洞检测预测，从而回答关键的“如果...会怎样”的问题，填补了现有研究在解释深度学习模型中的缺口。

创新点：

• 提出CFExplainer：这是一个利用反事实推理来解释GNN在漏洞检测中预测的新方法。

• 边缘剪枝技术：开发了一种新的技术来识别和剪枝代码图中的恶意边缘。

• 模型无关性：CFExplainer不需要访问GNN模型的内部信息，使其适用于各种黑盒模型。

SES: Bridging the Gap Between Explainability and Prediction of Graph Neural Networks

方法：论文提出了一种自解释和自监督的GNN（SES），旨在解决现有图神经网络（GNNs）解释性和预测性能之间的差距，通过两个阶段的训练过程，即解释性训练和增强预测学习，SES利用全局掩码生成器提供可靠的实例级解释，并通过对比学习显著提升GNNs的预测准确性。

创新点：

• 提出了一个能够同时提供解释和预测的图神经网络（SES），解决了现有方法中解释性和预测性之间的脱节问题。

• SES能够在训练过程中直接生成特征和结构的掩码，这些掩码有助于解释模型的决策过程。

• 通过使用对比学习增强模型的预测性能，使得解释信息能够反馈并提升模型的训练效果。

Explainable Global Wildfire Prediction Models using Graph Neural Networks

方法：论文提出了一种新颖的图神经网络（GNN）结合LSTM的可解释方法，用于全球野火预测，利用JULES-INFERNO模拟数据，通过将气候和野火数据表示为图形，解决了现有模型在处理海洋数据缺失和长距离依赖上的不足，展示了更高的预测准确性和解释性。

创新点：

• 提出了一个结合图神经网络和时间序列预测的混合模型，用于全球野火预测。

• 创新性地将气候和野火数据转化为图形结构，有效处理了数据缺失和远距离依赖问题。

• 通过特征和社区检测，模型能解释其预测结果，提高了决策的透明度。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“可解释GNN”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏