基于进化集成的图神经网络解释方法

摘要

针对图神经网络模型普遍缺乏可解释性问题，提出一种基于进化集成的图神经网络解释方法，为模型预测提供质量更高的解释。将当前主流图神经网络解释方法GNNExplainer和PGExplainer作为初级解释器，分别为模型预测提供初级解释；基于初级解释结果设计遗传算子，采用改进遗传算法集成两种初级解释结果得到最终解释。在4个真实数据集和4个合成数据集上进行广泛试验，从定性和定量两个角度对试验结果进行评估。试验结果表明，相较于同类算法，提出算法的准确度平均提高17%,忠实度平均提高20%。与传统集成学习融合策略相比，改进遗传算法作为集成器对解释方法的优化效果更为显著，所有指标整体平均提高29%。采用进化集成策略能够显著提高图神经网络解释算法的性能。

关键词

图神经网络 / 进化算法 / 集成学习 / 深度学习 / 机器学习 / 可解释人工智能

基金资助

国家自然基金青年资助项目(61902226); 山西省基础研究计划自然科学研究面上资助项目(202203021221218); 山西省研究生教育创新资助项目(2022Y534)