PyTorch Geometric框架下图神经网络的可解释性机制：原理、实现与评估

文章预览

在机器学习领域存在一个普遍的认知误区，即可解释性与准确性存在对立关系。这种观点认为可解释模型在复杂度上存在固有限制，因此无法达到最优性能水平，神经网络之所以能够在各个领域占据主导地位，正是因为其超越了人类可理解的范畴。 其实这种观点存在根本性的谬误。研究表明，黑盒模型在高风险决策场景中往往表现出准确性不足的问题[1]，[2]，[3]。因此模型的不可解释性应被视为一个需要克服的缺陷，而非获得高准确性的必要条件。这种缺陷既非必然，也非不可避免，在构建可靠的决策系统时必须得到妥善解决。 解决此问题的关键在于可解释性。可解释性是指模型具备向人类展示其决策过程的能力[4]。模型需要能够清晰地展示哪些输入数据、特征或参数对其预测结果产生了影响，从而实现决策过程的透明化。 PyTorch Geometric的可解 ………………………………