An Efficient Explainability Framework for Graph Neural Networks

doi:10.1007/978-981-95-3185-1_5

2026-01-01

PRE

Hu, Dehan

Chenyang Chen *

Xiaoyu Zhang

DOI：10.1007/978-981-95-3185-1_5

原文链接

原文求助

摘要

En 中文

图神经网络（GNNs）在图相关任务中表现出色。尽管图神经网络技术在取得了显著进展，但这些模型通常被视为缺乏直观和人类可理解的解释的“黑箱”。为解决这一挑战，已开发多种可解释性技术以增强图神经网络的可解释性，从而促进更透明的决策过程并生成更具可解释性的输出。尽管近期进展已使子图解释的性能与原始图相当，标志着显著解密图神经网络“黑箱”的进展，但现有研究常忽视此过程的时间成本。这一疏忽是这些模型实际应用中的关键因素。本文提出了一种新颖的图神经网络解释框架，通过引入辅助数据集并结合优化的Ullmann算法来减少时间开销。该框架适用于广泛的图分类解释方法。实验结果表明，我们的框架不仅保持了与传统方法相当的性能，还显著降低了相对于现有方案的时间开销。

Keyword:

GNN

Explainability

Auxiliarydataset