Enhancing Graph Neural Network Explainers Using a Distribution Shift Consistency-Guided Generator

Guangyong He

doi:10.1109/tkde.2026.3717880

Enhancing Graph Neural Network Explainers Using a Distribution Shift Consistency-Guided Generator

2026-07-29

0

PRE

AI

DOI：10.1109/tkde.2026.3717880

原文链接

原文求助

摘要

En 中文

图神经网络（GNN）解释器旨在识别提供预测理由的解释性子图。然而，子图的分布偏移引入了GNN预测中的分布外（OOD）问题。OOD问题损害了解释器的优化，因为优化依赖于原始图与子图之间的预测差异。为此，我们提出了一种即插即用框架，在解释器的优化过程中调整子图的分布偏移。通过引入分布偏移一致性目标，我们约束相似图的解释性子图保持一致性，将解释学习建模为一致性引导的“去噪”过程。此外，我们提出一个参数共享生成器作为每轮的“加噪”过程。该生成器学习解释性子图的代理图以调整分布偏移，增强解释器的优化。我们将所提出的框架应用于三种最新解释器，并在四个真实数据集上评估其性能。结果表明，学习到的图与原始图的分布对齐，并在AUC-ROC、鲁棒保真度和稳定性方面提升了解释器的性能。此外，它显著优于三种最新分布偏移调整算法。

Keyword:

Distribution shift

explainable AI

graph neural networks

Enhancing Graph Neural Network Explainers Using a Distribution Shift Consistency-Guided Generator

摘要

期刊

机构

引用论文