Neuer Hybrid-Ansatz FSX erklärt Graph Neural Networks mit hoher Präzision

Wissenschaftler haben einen innovativen Ansatz namens FSX vorgestellt, der die Erklärbarkeit von Graph Neural Networks (GNNs) deutlich verbessert. FSX kombiniert die Analyse der internen Nachrichtenflüsse eines Modells mit einer kooperativen Spieltheorie, um die entscheidenden Strukturen eines Graphen zu identifizieren und zu erklären.

Der Kern von FSX ist die sogenannte Flow‑Sensitivity‑Analyse. In einem einzigen Vorwärtspass werden gezielte Störungen an Knoten simuliert, um die Veränderungen in den Nachrichtenflüssen zu messen. Durch diese Sensitivitätsbewertung werden die wichtigsten Flüsse ermittelt und anschließend auf kompakte, semantisch sinnvolle Teilgraphen projiziert.

Innerhalb jedes Teilgraphen führt FSX ein spieltheoretisches Verfahren durch, bei dem die Beiträge der Knoten fair bewertet werden. Dabei wird ein Shapley‑ähnlicher Wert verwendet, der sowohl die Bedeutung der Knoteneigenschaften als auch ihre Rolle bei der Aufrechterhaltung oder Störung der kritischen Flüsse berücksichtigt.

Tests auf mehreren Datensätzen und GNN‑Architekturen zeigen, dass FSX eine überlegene Erklärungsgenauigkeit liefert und gleichzeitig die Laufzeit deutlich reduziert. Der Ansatz bietet damit neue Einblicke in die strukturelle Logik von GNNs und stellt einen wichtigen Fortschritt in der Modellinterpretation dar.