Graphbasierte Integrated Gradients erklären Graph Neural Networks

Integrated Gradients (IG) ist eine bewährte Technik zur Erklärbarkeit von neuronalen Netzwerken, die jedoch auf kontinuierliche Daten ausgelegt ist. Graphen dagegen bestehen aus diskreten Strukturen, wodurch IG nicht optimal funktioniert.

In der neuen Studie wird die Methode Graphbasierte Integrated Gradients (GB‑IG) vorgestellt – eine Erweiterung von IG, die speziell für Graphdaten entwickelt wurde. GB‑IG nutzt die Topologie von Graphen, um die wichtigsten Strukturelemente für die Klassifikation zu identifizieren.

Auf vier synthetischen Datensätzen konnte gezeigt werden, dass GB‑IG die entscheidenden graphischen Komponenten präzise erkennt. Im Vergleich dazu liefert die klassische IG‑Methode weniger genaue Ergebnisse.

Bei drei weit verbreiteten realen Graphdatensätzen – beispielsweise für die Knotenkategorisierung – übertrifft GB‑IG IG deutlich, indem es relevantere Features hervorhebt und damit die Interpretierbarkeit der Modelle verbessert.

Die Arbeit demonstriert, dass die Anpassung von Erklärungsalgorithmen an die spezifische Struktur von Graphen entscheidend ist. GB‑IG bietet Forschern und Praktikern ein leistungsfähiges Werkzeug, um die Entscheidungsprozesse von Graph Neural Networks transparent zu machen.