研究突破 arXiv cs.AI
NICE：用噪声扰动提升 GNN 解释的稳定性 NICE: Scale-Stable Perturbations for Graph Neural Network Explanations via Noise Corruption
精读摘要
图神经网络（GNN）的事后解释方法普遍采用「扰动-查询」范式：扰动输入、观察预测变化来推断各元素的重要性。但扰动往往带来严重的分布偏移，让用于推导解释的预测本身变得不可靠。NICE 从扰动机制本身入手，指出广泛使用的逐元素掩码会抑制关键信息，转而提出基于噪声干扰的尺度稳定扰动方法，以得到更可信的图模型解释。 Post-hoc GNN explainers commonly perturb inputs and query predictions to infer element importance, but perturbations often introduce distribution shift that undermines reliability. NICE revisits the perturbation mechanism itself, showing that widely used Element-wise Masking suppresses critical information, and proposes scale-stable perturbations via noise corruption. The goal is more trustworthy graph model explanations.
关键要点
- GNN 事后解释普遍依赖扰动-查询范式
- 现有扰动方式易引入分布偏移，降低解释可靠性
- NICE 指出逐元素掩码的缺陷并提出噪声扰动方案
💡 对普通人的影响：暂无直接影响；有助于药物发现、推荐系统等依赖图模型领域的可解释性。