Learning and Evaluating Graph Neural Network Explanations based on Counterfactual and Factual Reasoning
概
利用 Counterfactual and Factual Reasoning 进行模型解释, 其中的 PS (Probability of Necessity), PN (Probability of Sufficiency) 还挺有意思.
符号说明
- , 图;
- , 邻接矩阵;
- , 结点特征;
- , 对图 的预测, 指代一个 GNN.
评价指标
-
我们的目标是:
- Factual reasoning: 找到一个子图 满足:
即 mask 保持预测不变, 这说明找的子图是抓住主要信息的;
- Counterfactual reasoning: 找到一个子图使得
即去掉了 所代表的子图后, 预测改变了, 说明这个子图是很重要的 (至少对于预测而言是如此).
-
那么如何来评估用于找到的 的算法质量呢 (假设 足够好) ?
-
Simple:
该指标越小说明找到的子图越'小', 越精炼;
-
PS (Probability of Sufficiency):
其中
显然 PS 越大, 说明该算法找到的子图都具有充分的信息;
-
PN (Probability of Necessity):
其中
显然 PN 越大, 说明该算法找到的子图都是必要的, 因为缺少这些子图无法得到一致的预测;
-
可以类似 F1 score 将二者合一:
-
注: 上面的 graph-level 的定义可以推广到 node-level, 作者为每个结点赋予 L-hop sub-graph, 然后在这些子图上进行讨论.
代码
[official]
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· Manus重磅发布:全球首款通用AI代理技术深度解析与实战指南
· 被坑几百块钱后,我竟然真的恢复了删除的微信聊天记录!
· 没有Manus邀请码?试试免邀请码的MGX或者开源的OpenManus吧
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· 【自荐】一款简洁、开源的在线白板工具 Drawnix