Explainability-Aligned Attributed Graph Generation

Zicai Zhou

doi:10.1109/tkde.2026.3730058

Explainability-Aligned Attributed Graph Generation

2026-09-02

0

PRE

AI

DOI：10.1109/tkde.2026.3730058

原文链接

原文求助

摘要

En 中文

数据模拟是数据工程中一种成熟的方法，用于扩充有限数据集和保护隐私，特别是在金融和社会网络等领域的属性图上。尽管现有方法成功复制了拓扑和属性分布（统计保真度），但我们认为这种统计相似性并不能固有地保证可解释性对齐——我们将其定义为对数据中固有模型决策底层原理的保留。统计相似但可解释性错位的合成图可能导致下游模型捕获虚假相关性，从而造成不可靠的决策。为解决此问题，我们正式提出了可解释性对齐属性图生成（EAGG）任务，旨在生成同时满足统计保真度和可解释性对齐的合成图。我们提出X-AGG框架，该框架将预测原理提炼为定量重要性信号，并将其作为显式条件集成到变分自编码器架构中。通过用可解释性信号引导生成过程，X-AGG生成的合成图既在统计上具有代表性，又与原始预测逻辑对齐。实验结果表明，X-AGG在传统统计指标上达到最佳性能，同时在保持可解释性对齐方面优于现有基线。

Keyword:

Attributed graphs

explainability alignment

graph generation

graph neural networks

Explainability-Aligned Attributed Graph Generation

摘要

期刊

机构

引用论文