新上线今天0 投票
自解释多标签图神经网络：为关联证据归因而生
多标签图学习旨在捕捉现实世界应用的复杂性，其中单个样本常与多个组别或对象相关联。尽管已有多种多标签图学习方法，但尚无一种在训练阶段就具备解释能力。现有的事后图解释器（post-hoc explainer）并未显式建模多标签图学习中标签依赖的证据共享，尤其在标签对弱关联或负关联时，可能导致证据共享或分离的错误判断。
针对这一空白，研究团队提出了一种新的端到端自解释多标签图神经网络（SEMGNN），旨在同时完成多标签节点分类，并识别对每个目标节点预测标签有显著贡献的边。与事后方法不同，SEMGNN在统一框架和训练目标下联合学习预测器和稀疏边掩码解释器。通过利用标签-标签相关性，SEMGNN提升多标签节点分类性能，并增强单个标签的解释，使节点不同标签可由不同但连贯的结构或相关证据支持。
在社交网络、娱乐和生命科学等领域的合成及真实多标签网络上的实验表明，SEMGNN在预测性能上具有竞争力或更优，同时能提供更忠实、紧凑的标签条件解释。
核心创新
- 联合学习框架：将预测和解释整合到同一训练过程，避免事后方法的不足。
- 标签相关性建模：显式利用标签间关联，优化证据共享，尤其处理弱关联或负关联场景。
- 可解释性提升：生成的解释更符合标签条件，且结构紧凑。
应用前景
SEMGNN可应用于社交网络分析（如用户多兴趣识别）、生物信息学（如基因多功能注释）等场景，为决策提供可解释依据。未来，该框架或可扩展至动态图、异质图等更复杂场景。