人工智能学院常毅教授指导的人工智能学院常毅教授指导的2020级博士研究生黄强的论文GraphLIME: Local Interpretable Model Explanations for Graph Neural Networks近日被CCF-A类期刊IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING（简称TKDE）接收。

黄强同学为第一作者。TKDE是人工智能、机器学习以及数据挖掘领域顶级的学术期刊之一，CCF-A。

黄强从事特征选择、因果数据挖掘相关的研究工作，本篇文章与吉林大学的田原老师，日本京都大学的Makoto Yamada老师合作完成。

论文详情：

题目：GraphLIME: Local Interpretable Model Explanations for Graph Neural Networks

第一作者：黄强

合作导师：常毅、田原、Makoto Yamada

收录期刊：TKDE

论文概述：图结构数据在物理、化学、生物、计算机视觉和社交网络等各个领域都有广泛的适用性。近些年，图神经网络（GNN）由于其良好的性能和泛化能力，被证明是一种可以有效表示和建模图结构数据的机器学习方法。然而，解释GNN模型的有效性是一项具有挑战性的任务，因为其在迭代过程中进行了复杂的非线性转换。本篇研究工作提出了一种非线性的GNN解释框架GraphLIME，这是一个使用Hilbert-Schmidt Independence Criterion (HSIC) Lasso的图结构局部可解释模型方法，HSIC Lasso是一种非线性特征选择方法，相比于线性方法能够更好地逼近GNN的决策过程。GraphLIME是一个通用的GNN模型解释框架，它在被解释节点的子图中局部学习一个非线性可解释模型，并基于该可解释模型产生对应的GNN解释信息。