基于去除的节点影响快速推断
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本研究提出了LARA框架，通过基于删除的归因提高图神经网络的可解释性和训练效率。同时，研究了节点选择和撤销影响，提出了ORE和GA2C方法，优化了图的编辑和节点注入，显著提升了性能。
🔎
延伸解读
LARA框架的核心思路
LARA通过基于删除的归因来学习生成高保真度的解释，并从理论和实验上证明了这种归因与可解释性保真度之间的实质联系。同时，它设计了子图采样策略以提高训练过程的可扩展性，从而在效率和保真度方面都取得了有效结果。
ORE方法如何减少编辑偏见
ORE是一种迭代编辑方法，它通过编辑得分最高的边缘并重新嵌入编辑后的图来刷新梯度，从而减少边缘选择的偏见。研究发现，边缘获得高梯度往往是由于结构偏倚而非重要性，这会导致错误编辑。ORE通过迭代过程缓解了这一问题，性能比先前方法提高了50%。
GA2C在节点注入攻击中的优势
GA2C通过建立节点注入攻击的马尔科夫决策过程模型，利用强化学习框架将注入节点结构化地插入原图中。与现有最先进的方法相比，GA2C具有更高的注入成功率和分类误差率，表明其在攻击效果上的优势。
❓
Q&A
LARA框架的主要功能是什么？
LARA框架通过基于删除的归因提高图神经网络的可解释性和训练效率。
ORE方法是如何优化图的编辑过程的？
ORE是一种迭代编辑方法，通过编辑得分最高的边缘和重新嵌入图来减少边缘选择的偏见，性能提高了50%。
GA2C方法在节点注入方面有什么优势？
GA2C方法通过马尔科夫决策过程模型实现节点注入，具有更高的注入成功率和分类误差率。
研究中提到的图神经网络的黑盒攻击问题是什么？
研究发现通过基于PageRank的重要度计算可提高分类误差率，并提出基于贪心算法的修正方法来解决被攻击节点数量与分类误差率之间的矛盾。
影响函数在图神经网络中的作用是什么？
影响函数用于研究图上撤销作用的影响，提出了一种快速而精确的节点/边/特征图上撤销方法，证明了其在不同图撤销任务中的优异表现。
GNNDelete模型的主要贡献是什么？
GNNDelete模型优化了图形撤销的关键性质，确保已学习到的知识在删除节点和边缘时得以保留，性能提升高达38.8%。
🏷️
