Quantum-Boost für GNN-Erklärungen: QGShap liefert exakte Shapley-Werte
Graph Neural Networks (GNNs) sind in Bereichen wie der Wirkstoffforschung, der Analyse sozialer Netzwerke und Empfehlungssystemen unverzichtbar, doch ihre Black-Box-Natur erschwert die Einführung in Anwendungen, die Transparenz und Verantwortung erfordern. Shapley-Werte bieten eine mathematisch fundierte Möglichkeit, die Beiträge einzelner Knoten oder Kanten zu einer Vorhersage zu quantifizieren, allerdings erfordert die exakte Berechnung die Bewertung von $2^n$ möglichen Koalitionen – ein Verfahren, das bei realen Graphen unpraktisch ist.
