乌漆 WhiteMoon

摘要： 针对现有可解释模型性能不足、运行效率低、可靠性低的问题，本文提出了一种用于处理表格数据的可解释图神经网络模型 IGNNet。它将传统表格数据中的每个数据实例转换成一个图结构，其中每个特征对应一个图节点，特征之间的线性相关关系（皮尔逊相关系数）构成图的边权重。在此基础上，IGNNet 通过一个经过特殊约束的图神经网络进行学习，并在最终输出层采用一个完全透明的线性分类器。这使得模型在做出预测的同时，能够精确地、可回溯地展示每个输入特征对最终预测结果的具体贡献，从而实现了内在可解释性，无需依赖计算成本高昂且保真度不保证的后验解释方法。在 35 个公开数据集上进行了大规模实证研究，从解释质量和预测性能两个维度全面评估 IGNNet，验证了其在保持高性能的同时，能提供高保真的解释。 阅读全文