利用结构级显著性提升图神经网络可解释性的机制研究与实践方案.pdfVIP

利用结构级显著性提升图神经网络可解释性的机制研究与实践方案1

利用结构级显著性提升图神经网络可解释性的机制研究与实

践方案

1.研究背景与意义

1.1图神经网络可解释性研究现状

图神经网络（GNN）在社交网络分析、生物信息学、推荐系统等领域取得了显著

成果，但其“黑箱”特性限制了在高风险场景中的应用。根据2023年《NatureMachine

Intelligence》的综述，超过70%的GNN应用缺乏可解释性支持，尤其在金融风控和医

疗诊断等关键领域，模型决策的不可解释性成为主要障碍。

当前GNN可解释性研究主要分为三类：基于梯度的方法（如GNNExplainer）、基

于扰动的方法（如PGExplainer）以及基于分解的方法（如GNN-LRP）。然而，这些方

法大多聚焦于节点或边级别的显著性，忽略了图结构的整体信息。根据2022年ICML

的统计，仅有不到15%的GNN可解释性研究关注结构级显著性，这一领域的研究尚

处于起步阶段。

1.2结构级显著性方法概述

结构级显著性方