MPGE：用于分子分类解释的多视角图解释器

arXiv:2610.12039v1 公告类型：新 摘要：图神经网络（GNN）根据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某个具体决策。能够保持预测结果不变的紧凑依据，并不一定能揭示哪些变化会逆转决策，或模型能够容忍哪些修改。我们提出多视角图解释器（MPGE），针对冻结分类器统一事实支持、反事实敏感性和示例容忍性。事实视角最初称为原型（PT），旨在寻找一个紧凑的保留边集合，使标签和所需置信度保持不变。反事实（CF）解释旨在寻找有界的、能够改变预测结果的删除操作；示例（EXE）解释旨在寻找非平凡的有界删除操作，同时保持标签和置信度不变。一个共享的约束形式将预测行为、紧凑性和编辑成本联系起来，同时通过独立目标生成这三种视角。我们对 CF-GNNExplainer 的图分类扩展学习对称的边排序，并验证离散候选解，同时记录未成功的搜索。一个独立的 BBBP 片段后端返回经过 RDKit 清理的分子。我们在 MUTAG、Mutagenicity、AIDS、COX2_MD 和 BBBP 数据集上，使用语义覆盖率、条件质量、稳定性和运行时间评估主要的 GCN 实现。跨数据集来看，成功的事实掩码平均保留输入边的 8.6%--15.5%；有界反事实覆盖率为 4.8%--67.6%，示例保持覆盖率为 98.9%--100.0%。探索性控制实验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的支持、敏感性和容忍性，但并未将其视为经过验证的化学机制。