「论文标题」：

Efficient Higher-order Subgraph Attribution via Message Passing
「论文作者」：

Ping Xiong, Thomas Schnake, Grégoire Montavon, Klaus-Robert Müller, Shinichi Nakajima
「论文链接」：

https://proceedings.mlr.press/v162/xiong22a.html

图神经网络的逐层相关性传播 (GNN-LRP) 是 GNN 的一种高阶可解释性方法，它在游走级别提供 GNN 模型的属性。具体来说，它通过对给定子图中的游走求和来支持子图级别的归因，但是它存在指数复杂性，因此在应用中存在计算限制。在本文中，作者通过提出直接计算子图 GNN-LRP 属性的多项式时间算法 (sGNN-LRP) 克服了这个问题。值得注意的是，作者对 sGNN-LRP 的开发是通过一种新颖的程序进行的：与以前的工作不同，作者通过首先定义要计算的目标数量然后导出传播规则作为消息传递算法来开发 sGNN-LRP。这种新颖的程序是通用的，重新发现了许多现有的 LRP 规则，因此有望促进新的 LRP 方法的未来发展。作者通过推导另一个 LRP 规则来计算考虑部分外部游走的子图相关性的广义定义，证明了该过程的实用性。实验结果表明，本文提出的 sGNN-LRP 明显快于 GNNLRP 的应用，并且广义子图相关性定义可以在子图级别更稳健地归因 GNN。

内容中包含的图片若涉及版权问题，请及时与我们联系删除