AMIGA三通道拆解图神经网络，十个基准多数超越GNAN还能精准解释输出！
Graph Additive Models disentangling feature, topology, and interactions
📖 AI 总结
本文提出了一种名为AMIGA的新型图神经网络架构，旨在解决现有图神经加性网络（GNANs）在可解释性方面的三个关键局限：节点相关性评分会从相关节点向无关节点传播虚假重要性、仅用最短路径距离表示拓扑结构导致结构不同的图可能具有相同距离特征、以及特征与距离信息以乘法方式耦合造成效应纠缠。AMIGA通过挖掘模体词汇表来表示拓扑结构，并将每个节点的贡献分解为特征、结构和特征-结构交互三个加性通道，各通道围绕图平衡训练基线进行中心化处理，使分解在所选参考分布下具有良定义性和唯一性。在十个图分类与回归基准测试中，AMIGA在多数数据集上优于GNAN，并缩小了与标准黑盒GNN的性能差距。由于每个通道均经过中心化并归属于单一节点，AMIGA能够生成精确重构模型输出的节点局部解释，支持多粒度层面的可解释性分析。
🔑 关键词速览
| Graph Neural Additive Networks (GNANs) | 图神经加性网络，一种通过加性形状函数实现可解释性的图神经网络架构。 |
| AMIGA | 本文提出的模型，通过模体词汇表表示拓扑并将节点贡献分解为特征、结构和交互三个加性通道。 |
| Motifs | 模体，图中频繁出现的局部结构模式，用于表示拓扑信息。 |
| Additive Channels | 加性通道，将节点贡献分解为特征、结构和特征-结构交互三个独立可加的部分。 |
| Node-local Explanations | 节点局部解释，针对单个节点生成的解释，能够精确重构模型输出并支持多粒度分析。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅