gnn边分类的可解释.pdfVIP

gnn边分类的可解释

GN进展最大化（GNNEE）是一种通过对图神经网络进行解释来提高

其可解释性的边分类方法。图神经网络（GNN）是一种能够处理图结构

数据的深度学习模型，主要应用于节点分类、图分类等任务。随着GNN

的迅速发展，其在各个领域取得了很多重要的突破和应用，但其可解

释性一直是一个问题。GNNEE通过为GNN引入可解释模块，能够对边分

类结果进行解释，提高GNN的可解释性。本文将详细介绍GNNEE的原

理、方法和实验结果。

一、GNNEE原理

GNNEE主要围绕以下两个关键问题展开研究：第一，如何确定边分

类的关键特征。第二，如何以可解释的方式对边分类结果进行解释。

针对这两个问题，GNNEE提出了以下原理和方法。

1.边特征筛选原理

GNNEE通过研究GNN中的边自注意力权重以及边的属性，发现边的

自注意力权重对边分类任务非常重要。因此，GNNEE提出了边自注意力

权重在边分类中的关键性，通过边特征筛选方法来确定边分类的关键

特征。

2.可解释的边分类原理

在传统的GNN中，对于边分类结果的解释通常依赖于直接从图中

提取的特定信息，或者通过可视化方法来观察边的连接方式。然而，

这种方式存在一定的局限性。