图神经网络学习笔记-图神经网络可解释性应用详解（专题二十二）

一、理论知识

GNN 模型的可解释性理论及不同解释器解析

近年来，图神经网络（GNN） 在社交网络、推荐系统、生物信息等领域取得了显著进展。然而，GNN 的决策过程往往是黑箱的，使得用户难以理解其预测结果。因此，可解释性（Explainability） 逐渐成为 GNN 研究的一个重要方向。

目前，GNN 的可解释性方法主要分为以下几类：

• 基于掩码（Mask-based）的方法（如 GNNExplainer、GraphMask）
• 基于特征归因（Feature Attribution）的方法（如 Captum）
• 基于模型代理（Model-Agnostic）的方法

下文将详细讲解不同方法的原理及其应用。

---

1. GNNExplainer 解释器

GNNExplainer 是 面向图神经网络的一种通用