arXiv cs.AI· Mahtab Sarvmaili·· 9 天前AI 评分22
MPGE：面向分子分类解释的多视角图解释器
MPGE: A Multi-Perspective Graph Explainer for Molecular Classification Explanation
AI 导读
研究者提出多视角图解释器 MPGE，为冻结的 GNN 分类器统一提供事实支持、反事实敏感性与样例容忍三类解释。在 MUTAG、Mutagenicity、AIDS、COX2_MD 和 BBBP 上，成功的事实掩码平均保留 8.6%–15.5% 的输入边，反事实覆盖率为 4.8%–67.6%，样例保留覆盖率 98.9%–100.0%。
正文 · AI 翻译
摘要：图神经网络（GNN）从化学图数据预测分子性质，但预测准确性并不能解释图信息如何支持单个决策。一个紧凑的、保持预测的理由并不一定能揭示哪些变化会逆转决策，或模型能容忍哪些修改。我们提出多视角图解释器（MPGE），为冻结的分类器统一了事实支持、反事实敏感性和样本容忍度。事实视角最初称为原型（PT），寻求一个紧凑的保留边集，具有相同的标签和所需的置信度。反事实（CF）解释寻求有界的、改变预测的删除；样本（EXE）解释寻求保持标签和置信度的非平凡有界删除。一个共享的约束公式连接了预测行为、紧凑性和编辑成本，而各自的目标生成三种视角。我们对 CF-GNNExplainer 的图分类扩展学习对称边排序并验证离散候选，记录不成功的搜索。一个单独的 BBBP 片段后端返回经 RDKit 净化的分子。我们在 MUTAG、Mutagenicity、AIDS、COX2_MD 和 BBBP 上评估主要的 GCN 实现，使用语义覆盖率、条件质量、稳定性和运行时间。成功的真实掩码在各数据集上平均保留了输入边的 8.6%--15.5%；有界反事实覆盖率为 4.8%--67.6%，样本保留覆盖率为 98.9%--100.0%。探索性对照揭示了硬投影和保留节点信息的影响。定量比较和分子可视化刻画了模型支持、敏感性和容忍度，但未将其视为经过验证的化学机制。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.12039 [cs.LG] |
| （或 arXiv:2610.12039v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12039 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Mahtab Sarvmaili [查看电子邮件]
[v1]
2026年10月8日星期四 14:28:47 UTC（393 KB）
来源：arXiv cs.AI · arxiv.org