本文介绍了一种名为XGNN的方法，通过训练图生成器来解释图神经网络（GNN）的工作原理。该方法将图形生成视为强化学习任务，利用GNN的信息提升生成器性能。此外，研究探讨了如何通过大规模背景知识和符号推理方法，为神经元激活提供有意义的解释，从而增强深度学习系统的可解释性和透明性。

IGNNet 是一种图神经网络，专门处理表格数据，具有良好的性能和解释性。研究提出了新的度量和解释方法，以提高 GNN 的透明性。此外，介绍了 XGNN 和 ACGAN-GNNExplainer 等新方法，进一步增强了 GNN 的可解释性和性能。MaGNet 框架通过提取高阶邻居信息，提供有意义的结果，并在实际案例中验证了其有效性。