Neues Verfahren liefert nachvollziehbare Erklärungen für Graph-Modelle

In der Forschung zu Graph-basierten Machine‑Learning‑Modellen, die beispielsweise Molekülstrukturen oder soziale Netzwerke analysieren, besteht häufig ein Mangel an Transparenz: Die Modelle treffen präzise Vorhersagen, aber erklären nicht, warum. Ein neuer Ansatz namens Graph Diffusion Counterfactual Explanation löst dieses Problem, indem er alternative Graph‑Szenarien erzeugt, bei denen sich die Vorhersage des Modells ändert. Durch die Kombination von diskreten Diffusionsmodellen mit classifier‑free Guidance kann das Verfahren gezielt Graph‑Strukturen verändern, ohne die Datenverteilung zu verlassen, und liefert so nachvollziehbare, minimal veränderte Gegenbeispiele.

Die Autoren zeigen, dass ihr System sowohl für diskrete Klassifikationsziele als auch für kontinuierliche Eigenschaften zuverlässig funktioniert. Die erzeugten Counterfactuals bleiben innerhalb der ursprünglichen Datenverteilung und unterscheiden sich strukturell nur geringfügig, was sie besonders wertvoll für die Interpretation von Graph‑Neural‑Netzwerken macht. Dieser Fortschritt eröffnet neue Möglichkeiten, die Entscheidungsfindung von Graph‑Modellen transparent und nachvollziehbar zu gestalten.