揭示图间的全球交互模式：走向可解释图神经网络
内容提要
本文提出了一种基于图分布匹配的图神经网络全局解释方法，提升了模型的解释性和透明性。研究表明，GNN神经元可作为概念探测器，有效提取图分类中的关键特征。此外，开发的新可解释因果图神经网络框架在准确率和预测能力上表现优异，尤其在属性图学习方面建立了新基准。
延伸解读
全局解释与局部解释的差异
本文提出的基于图分布匹配的全局解释方法，旨在提取GNN模型训练过程中最具代表性的图模式，这与传统的局部解释（如针对单个预测的解释）不同。全局解释有助于理解模型整体行为，提升透明性，尤其适用于图分类任务。
神经元作为概念探测器的意义
研究发现GNN中的个别神经元能够充当概念探测器，与节点度和邻域属性等逻辑组合概念对齐。这为将GNN转换为概念级别理解提供了新途径，使模型决策更易被人类解读，从而增强解释性。
可解释因果图神经网络框架的性能
新开发的可解释因果图神经网络框架结合了图信息瓶颈和基于检索的因果学习，能够半参数地检索关键子图并通过因果模块压缩解释性子图。在真实世界解释场景中，其准确率更高，预测能力提升了32.71%。
属性图学习的新基准
G-GNNs模型通过无监督预训练获取节点全局结构和属性特征，并利用并行框架学习不同方面。在属性图学习方面，G-GNNs在Cora和Pubmed数据集上分别达到84.31%和80.95%的准确率，建立了新的基准记录。
Q&A
图神经网络的全局解释方法是什么？
基于图分布匹配的全局解释方法，能够高效提取GNN模型的关键特征，提高模型的解释性和透明性。
GNN神经元在图分类中有什么作用？
GNN神经元充当概念探测器，有效提取图分类中的关键特征。
新开发的可解释因果图神经网络框架有什么优势？
该框架在准确率和预测能力上表现优异，尤其在属性图学习方面建立了新基准。
如何提高图神经网络的解释性？
通过研究GNN中个别神经元的行为，提出新的度量方法和全局解释方法来提高解释性。
G-GNNs模型的学习方法有什么特点？
G-GNNs通过无监督预训练获取节点的全局结构和属性特征，并提出并行框架学习不同方面。
如何实现可解释的节点分类？
通过可解释的相似性模块找到每个未标记节点的K近邻标记节点，实现可解释的节点分类。
