1. 论文部分

论文原文

不错的论文解读

对于节点分类任务而言，GNNExplainer实现了：提取出与当前节点预测结果最相关的子图结构与部分特征，用mask表示
具体怎么找到的：通过不断调整子图G_s与特征子集X_s（哪些特征维度在起作用，而不是哪些节点的特征在起作用），完成最大化互信息的任务，计算公式：

Y为预测结果是固定的，函数H代表熵，因此H(Y)为常数，因此目标转为最小化上式中的减数：

上式是按照条件熵的计算展开的，之前困惑了很久，论文里啪的一下就到这步了

2. pyg提供的框架

from torch_geometric.nn import GNNExplainer
import matplotlib.pyplot as plt

explainer = GNNExplainer(model, epochs=300) # model为待解释节点
node_idx = 3840 # 待解释节点的index
node_feat_mask, edge_mask = explainer.explain_node(node_idx, data.x, data.edge_index) # x/edge_index 对应 节点特征/边集
ax, G = explainer.visualize_subgraph(node_idx, data.edge_index, edge_mask, y=y) # y为预测结果

plt.savefig("explain_" + str(node_idx) + ".png")
plt.show()