最近发现了一篇优秀的Nature子刊论文，作者提出了一种基于可解释GNN癌症基因分析新框架，在预测任务中实现了卓越的性能表现。
除此之外，还出现了很多
可解释GNN
的新研究，其中顶会不少，可见
无论在学术界和工业界，这方向都相当受欢迎。
这是因为可解释GNN不仅能处理复杂数据关系、辅助决策制定，也能促进模型优化、加强用户对模型的信任，在医疗诊断和金融分析这些领域拥有超绝竞争力。
目前这方向主要有基于梯度/特征的方法、基于扰动的方法等，都比较主流，如果有同学想以此发论文，建议从这些角度入手，有参考更好找idea。
这里为了给大家省掉点查找资料的时间，我整理了
9篇
最新的可解释GNN论文
，挑的基本都是有开源代码的，拿来直接复现，希望能给大家的论文加快点进度。
扫码添加小享，
回复“
可解释GNN
”
免费获取
全部论文+开源代码
CGMega: explainable graph neural network framework with attention mechanisms for cancer gene module dissection
方法：
论文提出了一种新的多组学数据整合方法CGMega，通过有效整合基因组、表观基因组、蛋白质相互作用和3D基因组结构，提升了癌症基因预测的性能。CGMega展示了在不同癌症类型间的知识迁移能力，证实其在预测癌症基因和解析基因模块方面的有效性。
创新点：
-
利用图注意力和图解释技术开发了一种新框架CGMega，用于研究癌症基因模块。
-
有效整合多组学数据，包括基因组、表观基因组、蛋白质相互作用（PPIs）及3D基因组结构。
-
通过GNNExplainer实现对癌症基因模块的检测，提供对高阶基因模块的深入解析。
Graph Neural Networks for Vulnerability Detection: A Counterfactual Explanation
方法：
论文通过引入CFExplainer，提出了一种基于反事实推理的解释器，旨在通过识别代码图的最小扰动来改变GNN模型的漏洞检测预测，从而回答关键的“如果...会怎样”的问题，填补了现有研究在解释深度学习模型中的缺口。
创新点：
-
提出CFExplainer：这是一个利用反事实推理来解释GNN在漏洞检测中预测的新方法。
-
边缘剪枝技术：开发了一种新的技术来识别和剪枝代码图中的恶意边缘。
-
模型无关性：CFExplainer不需要访问GNN模型的内部信息，使其适用于各种黑盒模型。
扫码添加小享，
回复“
