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.

Traditionelle Annäherungen, die entweder die Genauigkeit oder die Effizienz opfern, beschränken die praktische Anwendbarkeit. QGShap, ein neuer Ansatz aus dem Bereich der Quantencomputing, nutzt Amplitudenverstärkung, um die Bewertung von Koalitionen quadratisch zu beschleunigen, während gleichzeitig die exakten Shapley-Werte erhalten bleiben. Im Gegensatz zu klassischen Sampling- oder Surrogatmethoden liefert QGShap vollständig treffsichere Erklärungen ohne Kompromisse bei der Genauigkeit – zumindest für Graphgrößen, die derzeit noch handhabbar sind.

In umfangreichen Tests an synthetischen Graphdatensätzen zeigte QGShap konsequent hohe Treffsicherheit und Erklärungsgenauigkeit. Die Ergebnisse übertrafen oder erreichten die Leistung klassischer Verfahren in allen bewerteten Metriken. Damit demonstriert QGShap, dass exakte Shapley-Werte nicht nur erhalten, sondern auch mit einer verbesserten Interpretierbarkeit, Stabilität und strukturellen Konsistenz geliefert werden können, die die zugrunde liegenden Graphlogiken von GNNs widerspiegeln.

Die Implementierung von QGShap ist öffentlich zugänglich und steht auf GitHub zur Verfügung, sodass Forscher und Entwickler die Vorteile quantenbasierter Beschleunigung für GNN-Erklärungen sofort nutzen können.