PGM-Explainer 主要包括三个步骤:数据生成、变量选择和结构学习,总体流程如图2所示。 给定一个输入图数据和一个待解释的预测。在数据生成步骤,PGM-Explainer 扰动原始图,记录 GNN 在这些图上的预测,称为采样数据(即生成、预处理和记录一组待解释的预测的输入输出对)。变量选择步骤从采样的数据中剔除不重要的变量作为...
Different from existing explainers for GNNs where the explanations are drawn from a set of linear functions of explained features, PGM-Explainer is able to demonstrate the dependencies of explained features in form of conditional probabilities. Our theoretical analysis shows that the PGM generated by ...
因此,对于每一个实现(扰动)\mathbf{s},PGM-Explainer 只记录v \in \mathrm{Ne}_{t}^{G}的\boldsymbol{v},其中\mathrm{Ne}_{t}^{G}是节点t在G中的L跳邻居,在对\boldsymbol{s}进行n次采样(扰动)后,PGM-Explainer 将得到一个尺寸为n×|\mathrm{Ne}_{t}^{G}|的数据表\mathcal{D}_{t},其中...