Fast Inference of Removal-Based Node Influence

图神经网络（GNNs）被广泛应用于捕捉图中信息传播模式。虽然取得了显著的性能，但现在有一个新的热门话题是评估节点的影响力。我们提出了一种新的评估节点影响力的方法，该方法测量训练好的GNN模型由于移除节点而引起的预测变化。一个真实的应用是，“在预测Twitter账户极性的任务中，如果移除了一个特定的账户，其他账户的极性会如何改变？”我们使用GNN作为代理模型，其预测可以模拟由节点移除引起的节点或边的变化。为了获得每个节点的影响力，一种直接的方法是交替移除每个节点并在修改后的图上应用训练好的GNN。这种方法是可靠的，但耗时较长，因此我们需要一种高效的方法。相关的工作线路，如图对抗攻击和反事实解释，不能直接满足我们的需求，因为它们不关注每个节点的全局影响分数。我们提出了一种高效而直观的方法，基于节点移除的快速GNN推理（NORA），它使用梯度来近似节点移除的影响力。仅需一次前向传播和一次反向传播即可近似计算所有节点的影响力得分。在六个数据集和六个GNN模型上进行的大量实验验证了NORA的有效性。我们的代码可在https://github.com/weikai-li/NORA.git上获得。

论文旨在提出一种新的方法来评估节点影响力，即通过测量训练好的GNN模型在移除节点后的预测变化来评估节点影响力。这是一个新的问题。

该论文提出了一种名为NORA的方法，使用梯度来近似节点移除的影响力，只需要进行一次前向传播和一次反向传播即可评估所有节点的影响力。相比于现有的方法，NORA更加高效和直观。

论文使用了六个数据集和六个GNN模型进行了广泛的实验，证明了NORA的有效性。此外，论文提供了开源代码，可在GitHub上获得。该方法可以应用于许多实际问题，如预测Twitter账户的情感极性。

最近的相关研究包括图对抗攻击和反事实解释，但它们不能直接满足本文的需求，因为它们不专注于每个节点的全局影响得分。