【论文笔记】图卷积的解释性技术- 专知

【导读】本篇论文主要工作研究图卷积的解释性，使用基于梯度和基于分解的两种方法，为未来的发展奠定了基础。

论文中提到了蔗糖的溶解图，且把该图假定为GNs的一般形式：

图可以包含边E={e_k}，节点V={v_i}以及图级别u。在计算的每一层，图都使用三个更新函数φ和三个聚合函数φ进行更新：

其中rk，sk表示第k个边的发送和接受节点，集合E'_i, E', V '表示与节点i联的边，由\phi^e更新，所有节点由\phi^n更新，每个处理层都保持图的结构不变，只更新图的特征，而不更新其拓扑结构。映射f：(E,V,u）→y可以表示单个感兴趣的量（例如分子的溶解性）或具有对节点和边的单独预测的图。在这项工作中，所有的都是线性转换的，然后是ReLU激活，所有的转换都是sum/mean/max池操作。

1）灵敏度分析（SA）：利用梯度w.r.t的平方范数对可微函数f的预测产生局部解释，输入x：S(x) \propto ||\nabla_xf||^2，用这种方法生成的显著性图S描述了输入的变化会在多大程度上引起输出的变化。

2）引导式反向传播（GBP）：利用梯度构建saliency map（Springenberg等人，2015年）。与SA不同的是，反向传播时会去掉负梯度。

3）层相关传播（LRP）：通过将每个转换的输出信号分解为其输入的组合来生成相关图。对于某些权重和激活的配置，LRP可以解释为重复的泰勒分解。与前两种方法不同，LRP识别出输入的哪些特征对最终预测贡献最大，而不是关注其变化。此外，它还能够处理积极和消极的相关性，从而对影响因素进行更深入的分析。

（Bach等人，2015）介绍了LRP的两个规则，即\alpha \beta-规则和\epsilon稳定规则。

\alpha \beta-规则

其中α+β=1，x是输入，w是它的权重。

\epsilon稳定规则

以上三种方法都依赖于通过网络的反向传递来传播输出的梯度/相关性，并将其累积到输入。由于GN的计算图可以变得复杂和非连续，因此我们利用pytorch的跟踪能力，在其autograd模块上实现这些算法。

通过本文所做的实验，我们希望突出图域的一些关键差异，这些差异需要特别考虑才能产生有意义的解释。

1）连接的作用

图像可以看作是具有规则网格拓扑结构的图形，对于具有不规则连通性的图，边获得了一个更突出的角色，当基于图像时时，这种角色可能会被忽略。例如，在边特征不存在或完全相同（不具有信息性）的图形中，即使两个节点之间的连接本身是一个信息源，也不会将梯度和相关性传播回这些连接，以便进行解释。我们建议利用图卷积的结构保持性在消息传递(message-passing)的多个步骤中聚合解释(aggregate explanations)，认为连接的重要性应该从中间步骤中产生（如下图）。

节点A预测节点B。即使输入图形在边缘上没有特征（表示为虚线），也通过聚合图卷积的多个步骤的相关性来识别相关路径A→B。

2）池化

Architectural choice : 在标准NN中，通常使用池化操作来聚合特征。在信息传递GNs中，池化用于在局部和全局级别聚合边缘和节点特征，而不修改网络的拓扑结构。GN中池化函数的选择与学习问题密切相关，例如，和池化（sum pooling）最适合在全局级别进行计数，而最大池化（max pooling）可用于标识局部属性。

Explanations：聚合的选择也影响为预测获得的解释。和池化和平均池化（Sum and mean pooling）将梯度/相关性传播到所有输入，可能识别所有信号源。相反，max pooling只考虑它的一个输入，而忽略其他输入，不管其大小，这可能导致不完整的解释（例如，多个相邻的生病节点可以解释一个感染节点）。为了解决这一问题，LRP建议在关联传播过程中用L_p范数来近似最大池化，但这种方法可能过度分散关联性（over-disperse）与不重要的输入。我们建议将后向传播（backward pass）通过最大池化作为一个搜索，只重新分配与这些输入的相关性，如果选择为最大值，则会导致类似的预测。

作者基于玩具图和化学回归问题来评价GNs的不同解释方法（SA、GBP、LRP）。

在这个玩具图中，输入的图表示一组不同的人群，他们或是身体健康，或是身体欠安，亦或对某种疾病有免疫。人和人之间的有向线段代表他们之间的关系，特征是虚拟的还是非虚拟的。这种疾病按照一个简单的规则传播：患病节点（红色表示）通过非虚拟边感染与其相连的邻居，除非目标节点免疫（绿色表示）。其目标是为了预测传播之后每一节点的状态，然后根据logical infection dynamics评估SA、GB和LRP的正确性。当任务是解释单个节点的预测时，这三种技术都可以识别输入图的相关节点/边。然而，我们注意到，基于变量（variation-based）的方法产生的解释往往不同于人类如何直观地从因果角度（in terms of cause and effect）描述过程，而LRP结果更自然。

SA在节点本身上具有很高的相关性（如果节点2在开始时患病率更高，则在结束时感染率更高）。GBP正确地将节点1识别为感染源，但边的重要性很小。LRP将预测分解为负贡献（蓝色，节点2没有生病），两个正贡献（红色，节点1生病，1→2没有虚拟）。由于最大池化，节点4被忽略。

1）实验任务

经过训练，网络应该识别出感染节点（预测值为1），其他节点预测为0。并识别出被感染节点的邻居，连接类型以及免疫状态。网络还输出图标预测，该预测对应感染节点的总数。

2）实验细节

特征表示法

特征向量[e_k]∈[-1,+1]^2和n_i∈[-1,+1]^4，分别对边和节点特征进行编码。值得注意的是，二进制特征编码为{−1、+1}而不是{0,1}，虽然这不会影响基于变量的模型（SA和GPB），但它有助于在使用LRP时传播与输入的相关性。用于训练的合成数据集包含100000个，其中30个或更少的节点由Barabasi-Albert算法生成。用于验证和测试的数据集包含多达60个节点的图以及疾病和免疫节点的不同百分比。

构架和训练

边和节点的更新函数是浅层多层感知器，带有ReLU激活，我们使用sum/max池化来聚合与节点相关的边。我们使用Adam优化器最小化每个节点预测和真实值（the ground truth）之间的二进制交叉熵。多个超参数的选择，如学习率、隐藏层中神经元的数量和L1的正则化产生了相似的结果。

节点编码它们是生病还是健康，是免疫还是有风险，加上两个非形成性特征。边缘编码，不管它们是否是虚拟的，加上一个单一的非格式化特征。

我们训练一个GN，从分子图中预测有机化合物的水溶性(aqueous solubility of organic)，我们的多层GN与它们的性能匹配，同时保持简单。

在解释网络预测时，LRP将正相关和负相关归因于已知与溶解性相关的特征，例如分子外部存在R-OH基团，以及通常表示低溶解性的特征，例如重复的非极性芳香环（如下图）。最初引入LRP是为了解释分类预测，但在这里它被用于回归任务。

1）实验任务

从有机分子的结构预测其水溶解度。

2）实验细节

数据集与功能

数据集源自（Duvenaud等人，2015年），大概有1000个有机分子组成，这些有机分子表示为Smiles字符串及其在水中的测量溶解性，分子表示为以原子为节点和以边为键的图。

构架和训练

使用测量的对数溶解度与多层gn输出图的全局特征u之间的均方误差作为优化目标。使用多层图卷积，网络可以以越来越大的尺度聚合信息，从局部邻域开始，并扩展到更广泛的原子群。

1）感染

如图，实验中有多个感染源（节点0,1,2,3）和免疫节点（节点4,11），该网络使用最大池化聚合边缘信息，感染传播一步之后预测出节点的状态，如图，节点5,6,7,8,10为被传播感染节点。

上图为3种不同方法来分析节点10受节点2,7,14以及边的影响。节点10最初的健康的，受到节点2的入侵（2->10非虚拟边）后，节点10病变。

2）溶解性

上图使用逐层相关性传播对原子和键特征进行解释。

环境准备

Python3.7 ，pytorch1.1.0，作者提供该项目所需要的库，均放在conda.yaml中，因此可按着作者提示创建环境并安装所需的库：

conda env create -n gn-exp -f conda.yamlconda activate gn-exppython setup.py develop

实验一：感染

1）创建文件

INFECTION=~/experiments/infection/

mkdir -p "$INFECTION/"{runs,data}

2）创建数据集

python -m infection.dataset generate ../config/infection/datasets.yaml #此处填写完整的代码路径 "folder=${INFECTION}/data"

data文件生成以下三个文件：

python -m infection.dataset generate ../config/infection/datasets.yaml#此处填写完整的代码路径" folder=${INFECTION}/smalldata" datasets.{train,val}.num_samples=5000

注：代码中句子与句子之间有一个空格

3）训练

python -m infection.train --experiment ../config/infection/train.yaml --model ../config/count_nodes/minimal.yaml

源码中有一处错误，/infection/train.yaml中第15行改为：

4）实验模型

继承nn.Model类，创建两层神经网络：

class MinimalGN(nn.Module): def __init__(self, in_node_features_shape, out_node_features_shape, out_global_features_shape): super().__init__() self.g_n = nn.Linear(in_node_features_shape, out_node_features_shape) self.h_n = nn.Linear(out_node_features_shape, out_global_features_shape)

实验二：溶解性

1）创建文件

SOLUBILITY=~/experiments/solubility/

mkdir -p "$SOLUBILITY/"{runs,data}

2）训练

python -m solubility.train --experiment ../config/solubility/train.yaml --model ../config/count_nodes/minimal.yaml

-END-

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎登录www.zhuanzhi.ai，注册登录专知，获取更多AI知识资料！