本研究提出SHypX，一种超图神经网络的后处理解释器，旨在解决可解释性缺失的问题。SHypX通过优化采样的子超图提供局部和全局解释，实验结果表明其忠实度比基线提高了25个百分点。

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。

GLGExplainer 是一种用于图神经网络（GNN）的全局解释工具，能够生成准确且易于理解的解释。研究提出了多种技术，如基于 DCE 的 CoGE 和 GCExplainer，以提高模型的透明性和解释性。新方法 GCFExplainer 和 L2XGNN 进一步增强了 GNN 的反事实解释能力和可解释性，实验结果显示其在性能和效率上优于现有方法。

该文综述多项可解释人工智能研究：将因果编码进数据以提升解释可信度；发现低真实性解释会降低用户表现，糟糕解释比无解释更糟；GLocalX通过汇总局部解释构建简单可解释模型；提出基于删除的解释框架以统一26种方法；GALE聚合特征影响以提供全局洞见；归纳推理实现模型无关解释；发布视觉解释基准及评估流程；LIMASE用Shapley值快速提供局部与全局解释；LUX基于规则生成事实、反事实和视觉解释，优于LORE、EXPLAIN和Anchor。