RG-Explainer | Reinforcement Learning Enhanced Explainer for Graph Neural Networks | NeurIPS 2021

论文信息

论文标题：Reinforcement Learning Enhanced Explainer for Graph Neural Networks
论文作者：
论文来源：NeurIPS 2021
论文地址：link
论文代码：link

Abstract

一、GNN 的核心价值与解释难点

1. GNN 的技术定位

  • 身份：近年来兴起的图数据机器学习革命性技术，可处理节点分类、图分类、链接预测等经典图任务，同时适用于直觉物理、数学推理、IQ 测试等推理任务。
  • 核心机制：通过消息传递方案（message passing scheme） 将图结构与节点表示融合，即每一层节点会聚合邻居节点的信息来更新自身嵌入，实现对图拓扑和节点特征的联合利用。

2. GNN 解释的核心目标与本质

  • 解释目标：针对训练好的 GNN 模型，设计GNN 解释器（GNN explainer），找到对实例（如单个节点、整个图）预测结果最具影响力的子图，以此解释模型预测逻辑。
  • 问题本质：GNN 解释本质是图上的组合优化问题—— 需从海量可能的子图中，筛选出满足 “影响力最大化” 且通常受 “尺寸约束” 的最优子图。

二、现有 GNN 解释方法的缺陷

　　现有方法主要分为两类，但均存在关键问题，导致解释性能不佳：

方法类型

代表思路

核心缺陷

连续松弛法

（如 GNNExplainer、PGExplainer）通过优化边的软掩码矩阵，再按阈值筛选重要节点 / 边

1. 无法保证输出子图的连通性，难以体现 GNN 的消息传递路径；2. 独立计算每条边的重要性，忽略节点与边之间的交互关系

基于搜索的启发式方法

（如 SubgraphX、Causal Screening）设计搜索准则，通过搜索算法寻找最优子图

1. 依赖人工设计的启发式准则，准则仅适用于特定场景，通用性差；2. 受图的组合特性限制，难以设计普适性强的搜索策略

三、RG-Explainer 的核心设计

1. 整体定位

  • 技术属性：强化学习增强的 GNN 解释器，通过 RL 机制解决组合优化问题，同时适配 GNN 的消息传递特性。
  • 核心优势：生成连通的解释子图、无需人工设计启发式准则、泛化能力强。

2. 三大核心组件

组件名称

功能描述

解决的关键问题

起点选择（Starting Point Selection）

1. 节点分类任务：直接以待解释节点为起点；2. 图分类任务：通过 “种子定位器（seed locator）” 学习节点对图标签的影响力，筛选最具影响力的节点作为起点

避免人工指定起点的主观性，确保起点与预测结果强相关

迭代图生成（Iterative Graph Generation）

从当前生成子图的边界（boundary） 中依次选择节点加入，逐步构建子图

1. 保证解释子图的连通性，与 GNN 的消息传递逻辑一致；2. 避免无关节点 / 边的引入，提升解释子图的简洁性

停止准则学习（Stopping Criteria Learning）

通过学习的准则判断当前子图是否满足解释需求，避免生成过大的子图

替代人工设定停止条件，确保子图 “紧凑且有效”，平衡解释完整性与简洁性

四、RG-Explainer 的实验表现与泛化能力

1. 性能验证

  • 实验数据：覆盖合成数据集（如 BA-shapes、TreeCycles）与真实数据集（如 Mutagenicity 分子图数据集），全面验证不同场景下的解释效果。

  • 核心结论：在解释性能上优于当前最先进（state-of-the-art）的 GNN 解释器，体现在能更精准捕捉对预测关键的子图（如分子图中的活性 motif）。

2. 泛化能力

  • 关键特性：可应用于归纳式设置（inductive setting），即能对训练过程中未见过的新图 / 节点生成有效解释。

  • 价值：突破传统解释器 “仅适用于训练数据分布内样本” 的局限，提升在实际动态数据场景中的实用性。

1 Introduction

一、GNN 的技术定位与核心优势

  1. 技术定义：图神经网络（Graph Neural Networks, GNNs）是针对图结构数据的机器学习模型，通过消息传递机制（message passing scheme） 将图的拓扑结构与节点特征融合，生成节点表示。

  1. 任务覆盖范围：

    • 经典图机器学习任务：节点分类 [10,28]、链接预测 [38]、图分类 [33]，且在这些任务中实现了当前最优（state-of-the-art）性能。

    • 推理类任务：直觉物理 [4]、数学推理 [24]、IQ 测试 [3] 等复杂场景。

  1. 核心局限：与多数深度学习方法类似，GNN 缺乏对预测结果的可解释性（interpretability），需通过事后分析（post-hoc analysis）解释预测逻辑。

二、GNN 解释器的目标与问题形式化

  1. 解释器核心目标：针对训练完成的 GNN 模型，设计 GNN 解释器（GNN explainer），识别对实例（如单个节点、整个图）预测标签最具影响力的子图结构，以此揭示模型预测的关键依据。

  1. 问题数学形式化：GNN 解释本质是带约束的组合优化问题，目标函数为：在子图尺寸约束下，最大化 “预测结果与相关子图分布之间的互信息（mutual information）”。

三、现有 GNN 解释方法的缺陷分析

  现有方法主要分为两类，但均存在关键问题，导致解释性能不佳，具体如下表所示：

  1. 连续松弛法

    • 代表方法：GNNExplainer[34]、PGExplainer[17]

    • 核心思路：对边的重要性构建软掩码矩阵，通过优化掩码矩阵，再按阈值筛选重要节点 / 边

    • 关键缺陷：1. 连通性缺失：无法保证输出子图的节点与边连通，难以直观体现 GNN 的消息传递路径；2. 忽略交互：独立计算每条边的重要性，未考虑选中节点与边之间的相互作用

  2. 基于搜索的启发式方法

    • 代表方法：SubgraphX[37]、Causal Screening[31]

    • 核心思路：设计人工搜索准则，通过搜索算法（如蒙特卡洛树搜索、贪心搜索）寻找最优解释子图

    • 关键缺陷：1. 准则局限性：依赖人工设计的启发式搜索准则，准则仅适用于特定场景，通用性差；2. 组合复杂度挑战：受图的组合特性限制，难以设计适用于各类图结构的普适性搜索策略
 

四、RG-Explainer 的提出与核心设计思路

  1. 提出动机：针对现有方法的连通性缺失、启发式依赖等问题，提出强化学习增强的 GNN 解释器（RG-Explainer），利用 RL 解决图上组合优化问题，适配 GNN 消息传递特性。

  1. 核心框架灵感：借鉴经典组合优化求解器的思路，设计三大关键步骤，协同生成有效解释子图：

    • 步骤 1：起点选择（Starting Point Selection）：确定解释子图的初始种子节点，确保起点与预测结果强相关。

    • 步骤 2：迭代图生成（Iterative Graph Generation）：从当前子图边界依次选择节点，保证子图连通性，符合消息传递逻辑。

    • 步骤 3：停止准则学习（Stopping Criteria Learning）：自动判断子图生成是否终止，避免子图过大或信息冗余。

  1. 额外优势：具备更好的泛化能力，可同时应用于转导式设置（transductive setting） 与归纳式设置（inductive setting），突破部分解释器仅适用于训练数据的局限。

五、RG-Explainer 的实验验证方向预告

  • 实验设计：在合成数据集与真实数据集上开展大量实验，对比 RG-Explainer 与当前最优 GNN 解释器的性能。

  • 验证维度：

    • 定量评估：通过指标（如 AUC）衡量解释子图与真实关键子图（如 motif）的匹配度。

    • 定性评估：通过可视化展示解释子图的简洁性与关键信息捕捉能力。

      • 泛化性验证：在归纳式设置下测试模型对未见过实例的解释效果。

2 Preliminary

问题定义（GNN 解释器的目标形式化）

  明确 GNN 解释器的数学目标，为后续 RG-Explainer 的设计提供优化方向，具体如下：

  1、输入与输出：

    • 输入：训练完成的 GNN 模型 $ f(\cdot)$ 、待解释的图 $ G=(V, E)$ ；
    • 输出：解释子图 $ S=(V_S, E_S)$ ，其中 $ V_S \subseteq V$ （子图节点集）、$ E_S \subseteq E$ （子图边集），且 $ S$ 需能反映 GNN 预测的关键依据。

  2、核心优化目标：

    最大化 “原预测标签” 与 “基于解释子图的预测分布” 之间的互信息（Mutual Information, MI），公式为：

    $ \max_{S} \text{MI}(Y, S) = H(Y) - H(Y \mid S) $

    • 符号说明：
      • $ Y = f(G)$ ：GNN 对原图 $ G$ 的预测标签；
      • $ H(\cdot)$ ：熵函数，衡量随机变量的不确定性；
      • $ H(Y \mid S)$ ：给定解释子图 $ S$ 后，预测标签 $ Y$ 的条件熵，反映 $ S$ 对 $ Y$ 的解释能力（条件熵越小，解释能力越强）。

  3、目标简化：

  由于在解释阶段，原图 $ G$ 的预测标签 $ Y$ 已固定，其熵 $ H(Y)$ 为常数，因此优化目标可简化为：

    $ \min_{S} H(Y \mid S) $

  即寻找能最小化 “基于子图的预测不确定性” 的解释子图 $ S$ 。

3 Methodology

3.1 核心目标与问题定位

  1. 核心目标：针对 GNN 解释的核心优化目标 $\min_{S} H(Y \mid S)$ （最小化 “基于解释子图 $S$ 的预测标签条件熵”），设计基于强化学习（RL）的解决方案，通过三大关键组件（迭代图生成、停止准则学习、起点选择）生成连通、简洁且有效的解释子图。
  1. 问题本质： $\min_{S} H(Y \mid S)$ 是图上的组合优化问题—— 由于图中可能的子图数量呈指数级增长，无法暴力枚举，需通过 RL 的 “状态 - 动作 - 奖励” 框架动态搜索最优子图。

3.2 组件 1：迭代图生成（Graph Generator）

　　迭代图生成是 RG-Explainer 的核心模块，通过 RL 的 “状态 - 动作 - 目标 - 奖励” 循环，从种子节点开始逐步扩展子图，确保子图连通性（符合 GNN 消息传递逻辑）。

　　1. 状态（State）：刻画当前生成进度与节点信息

　　　　状态需融合 “种子节点、当前子图、边界节点” 的信息，为节点选择提供依据，具体步骤如下：

    • 步骤 1：特征增强
      • 设第 $t$ 步的当前子图为 $S_{t-1} = \{v_0, v_1, \cdots, v_{t-2}\}$ （ $v_0$ 为种子节点），边界节点为 $\partial S_{t-1}$ （ $S_{t-1}$ 的邻居节点中未包含在 $S_{t-1}$ 内的节点）。对 $S_{t-1} \cup \partial S_{t-1}$ 中的每个节点 $v$ ，增强其原始特征 $x_v$ ：

　　　　　　　　　　$ x_v' = [x_v, \mathbb{1}_{\{v \in \{v_0\}\}}, \mathbb{1}_{\{v \in S_{t-1}\}}] $

      • 其中 $\mathbb{1}$ 为指示函数（ $v$ 是种子节点则第 2 项为 1， $v$ 在当前子图则第 3 项为 1），增强后得到特征矩阵 $X_t' = [x_v']_{\forall v \in S_{t-1} \cup \partial S_{t-1}}$ 。
    • 步骤 2：邻域信息聚合
      • 利用 APPNP 模型（分离非线性变换与信息传播，高效捕捉邻域关联）更新节点表示，公式为：
　　　　　　　　　　$ H_t^{(0)} = \Theta_1 X_t', \quad H_t^{(l+1)} = (1-\alpha)\hat{A}H_t^{(l)} + \alpha H_t^{(0)} $
      • 其中 $\Theta_1$ 为可训练权重矩阵， $\hat{A}$ 为对称归一化邻接矩阵， $\alpha$ 为超参数（控制初始特征与传播特征的权重）。经过 $L$ 层更新后得到 $H_t^L$ 。
    • 步骤 3：表示能力增强
      • 将 $H_t^L$ 输入 MLP（多层感知机），进一步优化节点表示：
　　　　　　　　　　$ \overline{H}_t(v) = \text{MLP}(H_t^L(v); \Theta_2) \quad (v \in S_{t-1} \cup \partial S_{t-1}) $
      • 其中 $\Theta_2$ 为 MLP 的可训练参数，最终 $\overline{H}_t$ 即为第 $t$ 步的状态表示。

　　2. 动作（Action）：保证子图连通的节点选择

    • 动作空间定义：为确保子图连通，第 $t$ 步的动作空间严格限定为当前子图的边界节点 $\partial S_{t-1}$ （仅从边界选节点，避免子图断裂）。
    • 动作概率计算：通过 softmax 函数计算选择每个边界节点的概率，公式为：

　　　　　　　　$ a_t(v) = \frac{\exp(\theta_3^T \overline{H}_t(v))}{\sum_{u \in \partial S_{t-1}} \exp(\theta_3^T \overline{H}_t(u))} \quad (v \in \partial S_{t-1}) $

    • 其中，$\theta_3$ 为可训练参数向量， $a_t(v)$ 越大表示节点 $v$ 对解释子图的贡献越可能更大。

　　3. 目标（Objective）：多约束下的损失函数

    • 目标是 “最小化基于子图的预测不确定性”，同时通过正则化确保子图简洁有效，总损失由 4 部分构成：
    • ① 预测损失（核心）

　　　　  $\text{Prediction Loss} = -\frac{1}{N}\sum_{n=1}^N \sum_{c=1}^C P(Y=c)\log P(f(S_n)=c)$

      • 用交叉熵近似条件熵 $H(Y \mid S)$ ，确保子图 $S_n$ 的预测分布接近原图预测分布（ $N$ 为实例数， $C$ 为标签数， $P(Y=c)$ 为原图预测概率， $P(f(S_n)=c)$ 为子图预测概率）

    • ② 尺寸损失

　　　　  $\text{Size Loss} = \|S\|_1$

      • 限制解释子图 $S$ 的节点数量，避免子图过大（ $\|S\|_1$ 为子图节点数的 L1 范数，即节点总数）

    • ③ 半径惩罚

　　　　  $\text{Radius Penalty} = \max_{u \in S} \text{Distance}(v_0, u)$

      • 控制子图 “半径”（种子节点 $v_0$ 到子图内其他节点的最长最短路径），避免子图过度延伸

    • ④ 相似性损失

　　　　  $\text{Similarity Loss} = \|\tilde{H}_T(v_0) - z_{v_0}\|_2$

      • 确保子图生成的种子节点表示 $\tilde{H}_T(v_0)$ 与原图中种子节点的原始表示 $z_{v_0}$ 接近（L2 范数衡量差异）

    • ⑤ 总损失函数为：

　　　　  $ \mathcal{L}(S) = \text{Prediction Loss} + \lambda_1 \cdot \text{Size Loss} + \lambda_2 \cdot \text{Radius Penalty} + \lambda_3 \cdot \text{Similarity Loss} $

      • 其中 $\lambda_1, \lambda_2, \lambda_3$ 为超参数，用于平衡各损失项的权重。

  4. 奖励（Reward）与优化：策略梯度更新

    • 奖励定义：由于损失 $\mathcal{L}(S)$ 需在子图生成完成后计算（中间步骤无法单独衡量损失），因此仅在子图生成结束时，以 “总损失的负值” 作为奖励： $r = -\mathcal{L}(S)$ （奖励越大，子图质量越好）。
    • 策略梯度优化：生成器参数 $\mathbb{G} = \{\Theta_1, \Theta_2, \theta_3\}$ 通过策略梯度学习，目标是最大化 “奖励的期望”，梯度公式为：
      $ \nabla \mathbb{E}_{S \mid v_0 \sim \mathbb{G}}[-\mathcal{L}(S)] = \mathbb{E}_{v_1, \cdots, v_T \mid v_0 \sim \mathbb{G}} \left[ \sum_{t=1}^T \nabla \log \pi_\theta(v_t \mid S_{t-1}) \cdot Q(S_{t-1}, v_t) \right] $

      • 其中 $\pi_\theta(v_t \mid S_{t-1})$ 为第 $t$ 步选择节点 $v_t$ 的概率， $Q(S_{t-1}, v_t)$ 为 “状态 - 动作值”（衡量在状态 $S_{t-1}$ 选择动作 $v_t$ 的未来期望奖励）。

    • Q 值近似：通过蒙特卡洛估计近似 $Q$ 值：

      $ Q(S_{t-1}, v_t) = \begin{cases} \frac{1}{M}\sum_{i=1}^M -\mathcal{L}(S^{(i)}) & (t < T) \\ -\mathcal{L}(S_{t-1} \cup v_t) & (t = T) \end{cases} $

      • 其中 $S^{(i)}$ 是基于 $S_{t-1}$ 和 $v_t$ 采样的 $M$ 个完整子图（rollouts），确保奖励信号能传递到每一步。

3.3 组件 2：停止准则学习（Stopping Criteria Learning）—— 避免子图冗余

  通过在动作空间中加入 “STOP” 动作，让模型自动判断何时停止子图扩展，具体逻辑如下：

  1. STOP 动作的表示生成：利用自注意力机制聚合当前状态的节点表示，得到 “STOP” 动作的表示：

    • $ \gamma_t(v) = \frac{\exp(\theta_4^T \overline{H}_t(v))}{\sum_{u \in S_{t-1} \cup \partial S_{t-1}} \exp(\theta_4^T \overline{H}_t(u))}, \quad \overline{H}_t(\text{STOP}) = \sum_{v \in S_{t-1} \cup \partial S_{t-1}} \gamma_t(v) \overline{H}_t(v) $

    • 其中 $\theta_4$ 为可训练参数， $\gamma_t(v)$ 是节点 $v$ 对 “STOP” 动作的注意力权重。

  2. STOP 动作的概率计算：将 $\overline{H}_t(\text{STOP})$ 代入动作概率公式，与边界节点的选择概率一同计算，模型根据概率选择 “继续选节点” 或 “停止”。

  3. 安全机制：设置 “最大生成步数”，避免模型因学习偏差导致子图无限扩展。

3.4 组件 3：起点选择（Seed Locator）—— 确定子图生成起点

  起点（种子节点）需是对预测结果最具影响力的节点，不同任务的起点选择逻辑不同：

  1. 任务适配的起点规则

    • 节点分类任务：直接以待解释的节点作为种子节点（因解释目标是该节点的预测结果，其自身必然是核心）。
    • 图分类任务：需通过 “种子定位器 $\mathbb{L}$ ” 学习最具影响力的节点，避免暴力枚举（枚举所有节点生成子图并评估，计算成本过高）。

  2. 种子定位器的设计与训练

    • 定位器结构：采用三层 MLP，输入为 “图的最终表示 $z_{g_n}$ ” 与 “节点的最终表示 $z_{v_{i,n}}$ ”（均由训练好的 GNN 模型 $f(\cdot)$ 生成），输出为节点对图标签的影响力权重 $\omega_{i,n}$ ：
      $ \omega_{i,n} = \text{MLP}([z_{g_n}, z_{v_{i,n}}]) $
    • 训练目标：让 $\omega_{i,n}$ 与 “节点作为种子时生成的子图奖励” 尽可能一致，采用 KL 散度损失：

        $ \text{Loss}_{\mathbb{L}} = \text{KLDivLoss}(\omega_{i,n}, -\mathcal{L}(\mathbb{G}(v_{i,n}))) $

      • 其中 $-\mathcal{L}(\mathbb{G}(v_{i,n}))$ 是节点 $v_{i,n}$ 作为种子时生成子图的奖励，通过 softmax 将 $\omega_{i,n}$ 与奖励转化为分布后计算 KL 散度。

    • 协同训练：定位器 $\mathbb{L}$ 与生成器 $\mathbb{G}$ 交替训练 —— 固定 $\mathbb{L}$ 优化 $\mathbb{G}$ ，固定 $\mathbb{G}$ 优化 $\mathbb{L}$ ，直至收敛。

3.5 预训练策略（Pretraining）—— 提升模型初始化性能

  为避免模型训练初期因参数随机导致的收敛困难，对生成器和定位器分别设计预训练策略：

  1. 生成器预训练（Pretrain $\mathbb{G}$ ）

    • 核心思路：以 “种子节点的 3 跳邻域” 作为初始解释子图样本（3 跳邻域包含足够的局部信息，且符合 GNN 的消息传递范围），通过 “集合对数似然” 最大化优化生成器对 “有效扩展顺序” 的学习。

    • 似然近似：由于子图的有效扩展顺序可能有 $T!$ 种（ $T$ 为子图节点数），采用 set2set 方法近似，优化 “最优顺序” 和 “随机有效顺序” 的对数似然：

    • 最优顺序 $\tau^*$ ： $\tau^*(i) = \arg\max \mathbb{G}(\cdot \mid \{v_0, v_{\tau^*(1)}, \cdots, v_{\tau^*(i-1)}\})$ ，最大化其似然；

    • 随机有效顺序 $\tau'$ ：随机采样符合 “边界扩展” 规则的顺序，最大化其似然，避免模型陷入单一顺序。

  2. 定位器预训练（Pretrain $\mathbb{L}$ ）

    • 核心思路：无需依赖生成器，直接以 “节点 3 跳邻域的奖励” 作为标签，训练 MLP（定位器）学习 “节点特征 - 奖励” 的映射关系 —— 随机采样节点，计算其 3 跳邻域的奖励，用这些样本预训练定位器参数。

4 Experiments

4.1 实验基础设置

  为客观验证 RG-Explainer 的性能，实验严格遵循现有 GNN 解释器的基准设置，核心参数与对比方法保持一致：

4.1.1 公平性保障

  • 参数对齐：采用与 PGExplainer [17]、GNNExplainer [34] 相同的微调参数（参考 [12] 的复现设置），避免因参数差异影响结果对比；
  • 模型一致：所有解释器均基于同一训练完成的 GNN 模型开展解释任务，GNN 模型架构随任务不同略有调整（见下文 “模型设置”）；
  • 评估标准统一：使用相同的指标（AUC）衡量解释效果，确保定量结果可比。

4.1.2 模型设置（被解释的 GNN 模型）

  根据任务类型（节点分类 / 图分类）设计 GNN 模型结构，具体如下：

任务类型
GNN 模型架构
关键组件
节点分类
3 层图卷积层（GCN）+ 1 层全连接层
每层图卷积层负责聚合邻域信息，全连接层输出节点类别概率
图分类
3 层图卷积层 + 2 层池化层（max pooling + mean pooling）+ 1 层全连接层
池化层对节点嵌入进行聚合生成图表示，全连接层输出图类别概率

4.1.3 核心评估指标：AUC（Area Under ROC Curve）

  • 指标定义：将 GNN 解释任务转化为 “边级二分类任务”—— 以图中 “真实关键子图（motif）的边” 为正例，“非 motif 边” 为负例；解释器输出的 “边重要性权重” 作为预测分数，计算 ROC 曲线下面积（AUC）；
  • 指标意义：AUC 值越接近 1，说明解释器越能准确区分 “关键边” 与 “无关节边”，解释性能越好。

4.2 实验数据集

  实验共使用 6 个数据集，其中 4 个用于节点分类，2 个用于图分类，所有数据集均以 “motif（基序）” 作为 “真实解释子图”（motif 是决定节点 / 图标签的核心结构），具体如下：

数据集名称
任务类型
数据构成（基图 + motif）
核心特点
样本量 / 规模
BA-shapes
节点分类
基图：1 个 Barabasi-Albert（BA）图（随机生成的无标度图）；motif：80 个 “房屋结构”（5 节点构成的三角形 + 矩形组合）
每个 motif 随机附着在 BA 图的节点上，添加额外噪声边增加解释难度
BA 图含 300 个节点，共 80 个待解释节点（每个 motif 对应 1 个中心节点）
BA-Community
节点分类
基图：2 个 BA 图（分别生成不同高斯分布的节点特征）；motif：每个 BA 图附着 “房屋结构” motif
两 BA 图间添加额外连接边，形成 “社区结构”，需区分不同社区的 motif
总节点数约 600，含 160 个待解释节点（每个 BA 图 80 个）
Tree-Cycles
节点分类
基图：多层二叉树；motif：80 个 “6 节点循环结构”
循环 motif 随机附着在树的叶子节点上，易与树的分支结构混淆
树含约 500 个节点，80 个待解释节点
Tree-Grid
节点分类
基图：多层二叉树；motif：80 个 “3×3 网格结构”（9 节点）
网格 motif 结构更复杂，与树的线性结构差异大，解释难度高于 Tree-Cycles
树含约 800 个节点，80 个待解释节点
BA-2motifs
图分类
基图：BA 图；motif：两类 ——“房屋结构” 或 “5 节点循环结构”（各占 50%）
每个图含 1 个 BA 图 + 1 个 motif，标签由 motif 类型决定（二分类）
共 1000 个图样本（500 个含房屋 motif，500 个含循环 motif）
Mutagenicity
图分类
真实分子图数据集；motif：“NO₂”（致突变）或 “NH₂”（非致突变）
标签为 “致突变” 或 “非致突变”，由分子中的关键官能团（motif）决定，是真实场景下的硬任务
共 4337 个分子图样本，节点数为 10-30（分子原子数）

4.3 对比方法（选取两类代表性 GNN 解释器）

  实验选取当前最先进（SOTA）的两类 GNN 解释器作为 baseline，覆盖 “连续松弛法” 与 “学习型解释器”，具体如下：

对比方法
方法类型
核心原理
与 RG-Explainer 的关键差异
GNNExplainer[34]
连续松弛法
优化 “边的软掩码矩阵”，通过阈值筛选重要边；目标是最大化 “子图预测分布与原图预测的互信息”，加入尺寸和熵约束
1. 无法保证子图连通性；2. 独立计算边重要性，忽略节点 - 边交互
PGExplainer[17]
学习型解释器（非 RL）
利用 GNN 生成的节点 / 图表示，训练神经网络学习 “边重要性权重”，同样基于连续松弛思路
1. 虽为学习型，但仍依赖连续掩码，无法保证子图连通；2. 泛化能力弱，在归纳式设置下性能下降明显

4.4 实验内容与结果分析

  实验分为三大模块：定性评估（可视化解释子图）、定量评估（AUC 对比）、归纳式设置评估（泛化能力），全面验证 RG-Explainer 的优势。

4.4.1 定性评估：可视化解释子图的有效性

  • 实验逻辑：通过可视化对比三类解释器生成的子图，直观判断 “是否包含完整 motif”“是否冗余无关节点 / 边”；
  • 可视化规则：
    • 用 “黑色粗边” 标记解释器判定的 “重要边”（边数等于真实 motif 的边数）；
    • 节点颜色表示类别，突出待解释节点（节点分类）或整个图（图分类）；
  • 关键结论（基于表 1 和文中描述）：
数据集场景
对比结果
BA-shapes、BA-Community（简单场景）
三类解释器均能找到 “房屋 motif”，但 GNNExplainer 和 PGExplainer 包含大量噪声边（如 BA 图的随机连接边），RG-Explainer 子图更简洁，仅保留 motif 边
Tree-Cycles、Tree-Grid（复杂场景）
GNNExplainer 和 PGExplainer 易误将 “树的分支边” 纳入子图，导致 motif 不完整；RG-Explainer 能准确捕捉 “循环” 或 “网格” motif，边的完整性更高
BA-2motifs（图分类）
真实 motif 位于图右下角，GNNExplainer 和 PGExplainer 同时包含 “正确 motif 边” 和 “错误边”，RG-Explainer 仅保留正确的房屋 motif 边
Mutagenicity（真实分子图）
PGExplainer 虽能找到致突变 motif，但存在冗余原子；RG-Explainer 精准定位 “NO₂” 官能团（致突变关键），无冗余节点，与真实 motif 完全匹配

4.4.2 定量评估：AUC 分数对比（表 2）

  • 实验设置：每个数据集运行 10 次实验，计算 AUC 均值 ± 标准差，避免随机误差；
  • 核心结果（表 2 关键数据提取）：
数据集
GNNExplainer（AUC）
PGExplainer（AUC）
RG-Explainer（AUC）
RG-Explainer 提升幅度
BA-shapes
0.742 ± 0.006
0.999 ± 0.000
0.985 ± 0.013
与 PGExplainer 接近（-1.5%），显著优于 GNNExplainer（+24.3%）
BA-Community
0.708 ± 0.004
0.825 ± 0.040
0.919 ± 0.017
较 PGExplainer 提升 11.4%，较 GNNExplainer 提升 30.1%
Tree-Cycles
0.540 ± 0.017
0.760 ± 0.014
0.787 ± 0.099
较 PGExplainer 提升 3.6%，较 GNNExplainer 提升 45.7%
Tree-Grid
0.714 ± 0.002
0.679 ± 0.008
0.927 ± 0.031
较 PGExplainer 提升 29.8%，较 GNNExplainer 提升 30.0%
BA-2motifs
0.499 ± 0.004
0.133 ± 0.046
0.657 ± 0.107
较 PGExplainer 提升 31.7%（注：PGExplainer 在该数据集表现异常差），较 GNNExplainer 提升 31.7%
Mutagenicity
0.606 ± 0.003
0.847 ± 0.081
0.873 ± 0.028
较 PGExplainer 提升 2.8%，较 GNNExplainer 提升 44.1%
  • 定量结论：
    1. RG-Explainer 在 6 个数据集中的 5 个表现最优，仅在 BA-shapes 上略逊于 PGExplainer（但仍显著优于 GNNExplainer）；
    1. 在复杂数据集（如 Tree-Grid、BA-2motifs）上，RG-Explainer 的提升幅度最大（29.8%-31.7%），说明其在难任务上的优势更明显；
    1. 真实数据集 Mutagenicity 上，RG-Explainer 仍能保持最优，证明其在实际场景中的有效性。

4.4.3 归纳式设置评估：泛化能力验证（图 2）

  • 实验背景：传统解释器（如 PGExplainer）多适用于 “转导式设置”（训练与测试在同一图上），而 “归纳式设置”（训练用部分图，测试用未见过的新图）更贴近实际应用，但对解释器的泛化能力要求更高；
  • 实验设计：
    • 训练集比例：从 10% 到 90% 逐步增加（剩余为测试集）；
    • 对比对象：RG-Explainer vs PGExplainer（均为学习型解释器，具备泛化潜力）；
    • 评估指标：不同训练集比例下的测试集 AUC 分数；
  • 核心结果（基于图 2 及文中描述）：
数据集
关键观察
BA-Community
无论训练集比例如何，RG-Explainer 的 AUC 均高于 PGExplainer；训练集比例越低（如 10%），RG-Explainer 的优势越明显
Tree-Grid
当训练集比例≤50% 时，PGExplainer 的 AUC 显著低于 RG-Explainer（差距约 10%-15%）；训练集比例增至 90% 时，差距缩小但 RG-Explainer 仍领先
Mutagenicity
RG-Explainer 在所有训练集比例下均优于 PGExplainer，且 AUC 波动更小（稳定性更强）
  • 泛化性结论：
    1. RG-Explainer 的泛化能力显著优于 PGExplainer，尤其在 “训练样本少” 的场景下优势突出；
    1. 原因：RG-Explainer 通过 RL 学习 “子图扩展策略”（而非直接学习边权重），策略具备更强的迁移性，可适配未见过的新图结构。

4.5 实验核心结论汇总

  1. 解释性能：RG-Explainer 在合成与真实数据集上均优于 GNNExplainer 和 PGExplainer，尤其在复杂任务和真实场景中表现更优；
  1. 子图质量：RG-Explainer 生成的解释子图 “连通、简洁、完整”—— 既符合 GNN 的消息传递逻辑（连通），又无冗余节点 / 边（简洁），且能完整捕捉真实 motif（完整）；
  1. 泛化能力：RG-Explainer 在归纳式设置下表现优异，可对未见过的新图生成有效解释，突破传统解释器的泛化局限；
  1. 种子定位器有效性：在图分类任务中，RG-Explainer 的种子定位器能筛选出 66%（BA-2motifs）-84%（Mutagenicity）的 “真实 motif 内节点” 作为种子，为后续子图生成奠定基础。
 

 

 

 

 

 

 

posted @ 2025-09-16 09:34  Blairs  阅读(26)  评论(0)    收藏  举报
Live2D