MAGE: 基于构图模式的模型层面图神经网络解释
内容提要
L2XGNN是一种可解释的图神经网络框架，能够学习解释性亚图，从而提高预测的可解释性和准确性。研究还提出了基于图形的自我监督学习方法MGSSL，展示了其在分子图信息捕获方面的优势。此外，研究介绍了多目标筛选方法和GNN解释器TAGE，均在多个任务中表现优异。
延伸解读
模型级解释与实例级解释的差异
文章介绍了多种GNN解释方法，其中XGNN和MAGE属于模型级解释，旨在解释GNN的整体行为，而GNNExplainer、TAGE等属于实例级解释，针对单个预测。模型级解释通过生成图或模式来揭示模型学到的概念，有助于理解模型决策逻辑，但可能忽略个体差异；实例级解释则提供具体预测的依据，更适用于调试和验证。读者需根据应用场景选择合适的方法。
自监督学习在GNN解释中的角色
MGSSL和TAGE都采用了自监督学习。MGSSL通过预训练捕获分子图信息，提升下游任务性能；TAGE则独立于下游模型，在自监督下训练解释器，能够解释未知任务的GNN嵌入。这表明自监督学习不仅能增强模型表示能力，还能提升解释器的泛化性，使其不依赖特定下游任务，为解释未知模型提供了新思路。
时间图神经网络解释的挑战与进展
TempME针对时间图神经网络，旨在揭示触发预测的关键时间图案。时间图数据增加了时间维度，解释需同时考虑结构和时间模式，难度更大。TempME在解释准确性和预测平均精确度上均有提升，说明有效的解释方法不仅能提供可解释性，还可能反哺模型性能。这为动态图分析提供了重要工具。
解释方法评估与统一框架
文章提到一篇综述，从图生成角度统一了GNN解释方法，提出归因和信息约束两个子目标，并实证比较了不同方法在解释性能、效率和泛化能力上的优劣。这有助于研究者理解各种方法的共享特性和差异，为未来改进奠定基础。读者可借此评估不同解释方法的适用场景，避免盲目选择。
Q&A
L2XGNN 是什么？
L2XGNN 是一种可解释型图神经网络框架，能够学习选择解释性亚图，提高预测的可解释性和准确性。
MGSSL 方法的优势是什么？
MGSSL 是一种基于图形的自我监督学习方法，能够捕获分子图中的丰富信息，优于现有基线。
TAGE 是什么，它的作用是什么？
TAGE 是一种独立于下游模型的 GNN 解释器，能够解释未知下游任务的 GNN 嵌入模型，其解释质量优于现有方法。
XGNN 方法是如何工作的？
XGNN 方法通过训练图生成器来解释 GNN 的工作，将图形生成视为强化学习任务，从而有效理解和验证 GNN 的结果。
GNNExplainer 方法的主要功能是什么？
GNNExplainer 方法为基于 GNN 的模型提供可解释性的预测解释，能够识别关键的子图结构和节点特征。
MoMS-Net 有什么优势？
MoMS-Net 是一种基于结构模式和图神经网络的大质谱预测系统，测试结果优于现有模型且内存使用较少。
