在实例级解释中，我们旨在揭示模型在特定图上的决策依据。以往的方法通过选择重要边缘来诱导子图，从而解释图神经网络（GNNs），而边缘的重要性通常通过扰动每条边并观察模型预测的变化来评估。不过，这些方法往往忽视了边缘之间的协同效应，而这些效应对于准确表征边缘的重要性至关重要。为了解决这一问题，我们提出了 SeeExplainer，一种无参数的解释器来解释 GNNs。
具体而言，我们首先引入了一种粒状球体图细化机制，该机制将图分解成若干个不固定大小的互不相交的粒状球体，并利用它们作为节点来构建结构图。这一过程能够更好地捕捉边缘之间的协同效应。随后，我们在结构图中扰动节点和边，以根据它们各自的贡献生成解释性子图。实验结果表明，SeeExplainer 在多种不同网络的图分类数据集上优于最先进的基线方法。
博主点评： SeeExplainer 的提出为图神经网络的可解释性研究开辟了新的方向，其通过细化机制有效捕捉边缘之间的协同效应，展示了在复杂图结构中，如何更准确地评估边缘的重要性。该方法的无参数特性也使其在实际应用中更具灵活性和适用性。希望未来能看到更多基于此方法的应用与扩展。