结构化数据在网络应用中很好地存在,如社交媒体中的社交网络、学术网站中的引文网络、在线论坛中的线程数据。由于拓扑结构的复杂性,这些数据中的丰富信息难以处理和利用。图神经网络(GNN)在结构化数据的学习表示方面显示出极大的优势。然而,深度学习模型的不透明性使得解释GNN的预测变得非常重要。同时,GNN解释的评价也是一个巨大的挑战,因为在很多情况下,基准真相解释是不可用的。在本文中,我们从因果推理理论中借鉴反事实和事实推理(CF^2)的观点,来解决可解释GNN中的学习和评价问题。为了生成解释,我们提出了一个模型无关的框架,通过建立一个优化问题的基础上,这两个随意的观点。这将CF^2与之前只考虑其中一个的可解释GNN区分开来。这项工作的另一个贡献是对GNN解释的评价。为了在不要求基本事实的情况下定量地评估生成的解释,我们设计了基于反事实和事实推理的度量标准,以评估解释的必要性和充分性。实验表明,无论基准真相解释是否可用,CF^2在真实数据集上都比以前的最先进的方法产生了更好的解释。此外,统计分析证明了基准真相评估和我们提出的指标之间的相关性。

https://www.zhuanzhi.ai/paper/3b2867aa0d96b5b6a4993c1affa0e534

成为VIP会员查看完整内容
36

相关内容

AAAI 2022 | ProtGNN:自解释图神经网络
专知会员服务
30+阅读 · 2月28日
专知会员服务
25+阅读 · 2021年10月4日
专知会员服务
19+阅读 · 2021年9月10日
专知会员服务
41+阅读 · 2021年6月2日
专知会员服务
43+阅读 · 2021年5月17日
专知会员服务
56+阅读 · 2021年4月27日
[WWW2021]图结构估计神经网络
专知会员服务
37+阅读 · 2021年3月29日
【WWW2021】双曲图卷积网络的协同过滤
专知会员服务
37+阅读 · 2021年3月26日
专知会员服务
26+阅读 · 2021年2月26日
【WWW2021】用优化框架解释和统一图神经网络
专知会员服务
32+阅读 · 2021年2月1日
CIKM'21 多关系图神经网络的社区问答
图与推荐
2+阅读 · 2021年10月11日
KDD'21 | 如何评估GNN的解释性模型?
图与推荐
1+阅读 · 2021年9月30日
【KDD2021】基于生成对抗图网络的不平衡网络嵌入
【WWW2021】基于知识嵌入的图卷积网络
专知
0+阅读 · 2021年4月27日
【WWW2021】高效的非抽样知识图谱嵌入
专知
0+阅读 · 2021年4月25日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
Arxiv
15+阅读 · 2021年2月4日
Directional Graph Networks
Arxiv
26+阅读 · 2020年12月10日
Arxiv
18+阅读 · 2020年7月13日
Arxiv
12+阅读 · 2020年6月20日
Arxiv
85+阅读 · 2020年3月4日
A Comprehensive Survey on Graph Neural Networks
Arxiv
19+阅读 · 2019年1月3日
VIP会员
相关VIP内容
AAAI 2022 | ProtGNN:自解释图神经网络
专知会员服务
30+阅读 · 2月28日
专知会员服务
25+阅读 · 2021年10月4日
专知会员服务
19+阅读 · 2021年9月10日
专知会员服务
41+阅读 · 2021年6月2日
专知会员服务
43+阅读 · 2021年5月17日
专知会员服务
56+阅读 · 2021年4月27日
[WWW2021]图结构估计神经网络
专知会员服务
37+阅读 · 2021年3月29日
【WWW2021】双曲图卷积网络的协同过滤
专知会员服务
37+阅读 · 2021年3月26日
专知会员服务
26+阅读 · 2021年2月26日
【WWW2021】用优化框架解释和统一图神经网络
专知会员服务
32+阅读 · 2021年2月1日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员