忠实度高
一种保持预测排序和结构依赖性的图神经网络解释框架
Zhang, Youmin · Cheung, William Kwok Wai · 刘群 · Guoyin, Wang · 杨丽丽 · 刘立
Information Processing and Management 2024
引入基于NeuralSort的Plackett-Luce模型，通过可微分排序损失指导解释器参数学习，确保解释器对GNN的保真度。
提出一种显式建模边依赖性的图转换模式，用于构建掩码生成器，从而捕捉GNN学习过程中的结构依赖。
在四个数据集上与最先进解释器相比，保真度分别提升149.67%、51.43%、40.747%和28.87%。
在节点分类和图层级分类上均进行了全面实验，包括BA-Shapes、BA-Community、Graph-Twitter和Graph-SST5数据集。