图神经网络（GNN）的可解释性研究迎来井喷式突破！NeurIPS 2025上MIT团队提出的GNNExplainer模型，直接打破了图神经网络可解释性的瓶颈，必然会是未来的大趋势。

GNN的优势是能够捕捉复杂的图结构和节点关系，而可解释性研究的重点是让模型的决策过程更加透明，便于理解和优化。通过引入注意力机制和特征重要性分析，GNN可解释性研究不仅能让模型的输出更具说服力，还能为实际应用提供更可靠的依据。

想发论文的伙伴，可以从以下方面入手：聚焦图神经网络的解释性增强、多模态图数据的解释性分析、轻量化可解释性架构……为方便大家研究的进行，我特意整理了10篇可解释GNN的相关论文，都是顶会顶刊成果，部分论文附上了代码便于大家复现，全部论文PDF版+开源代码，工种号 沃的顶会 扫码回复 “可解释GNN” 领取。

Framework GNN-AID：Graph Neural Network Analysis Interpretation and Defense

文章解析

文章提出GNN-AID这一用于图数据的开源框架，旨在解决图神经网络可解释性和鲁棒性方面的问题。它集成多种工具，支持对图数据集和GNN模型进行分析、解释、攻击和防御，还探讨了防御策略间的冲突关系，为图神经网络研究和开发提供支持。

创新点

首次将多种图神经网络的解释、攻击和防御方法集成在一个框架中，为图数据处理提供一站式解决方案。

提供直观易用的网络界面和无代码功能，如交互式模型构建器，降低使用门槛，方便用户探索和分析GNN。

支持MLOps技术，确保实验的可重复性和结果的版本管理，方便研究人员进行高效的实验跟踪和回溯。

研究方法

基于PyTorch-Geometric构建框架，利用其提供的数据集和模型，通过定制接口支持各种GNN，方便模型构建和实验。

设计对比实验，以Cora数据集为例，选取多种攻击和防御方法组合，观察模型在不同组合下的精度表现，研究防御策略间的冲突。

提供多种使用场景示例，包括教育、开发和研究场景，展示框架在不同领域的应用方式和价值。

研究结论

成功开发GNN-AID框架，为研究人员和开发者提供了分析、解释和防御图神经网络的有效工具，推动了可信人工智能的发展。

通过实验发现图领域的防御机制之间也存在冲突，表明设计有效防御需综合考虑多种因素，确保各防御策略间的兼容性。

该框架为图数据的分析提供了新的途径，在推动图神经网络在科研和工业领域的应用方面具有重要意义，未来可进一步扩展其功能。 

FROM GNNS TO TREES：MULTI-GRANULAR INTERPRETABILITY FOR GRAPH NEURAL NETWORKS 

文章解析

文章针对图神经网络可解释性问题，提出树状可解释框架（TIF）。通过迭代图粗化、扰动和自适应路由模块，将GNN转化为层次树结构，实现多粒度可解释性。实验表明，TIF在预测性能上与前沿模型相当，且可解释性更优。

创新点

提出多粒度可解释性挑战，构建TIF框架将GNN转化为层次树，各层节点代表不同粒度粗化图，实现多粒度解释。

设计图粗化和扰动模块构建树结构，分别聚焦深度和广度，自适应路由模块突出关键路径辅助预测和解释。

在合成和真实数据集上实验，TIF性能与前沿模型相当，同时显著提升决策过程的多粒度可解释性。

研究方法

使用五个真实世界数据集和三个合成数据集，涵盖蛋白质、分子、科学合作等领域，对比多种基线模型。

采用分类准确率、F1分数评估预测性能，设计解释准确率、一致性等指标评估解释性能。

进行消融实验，分析压缩比、路径数量和路由复杂度等关键组件对模型的影响。

研究结论

TIF在预测性能上与常用GNN和可解释GNN模型相比，如在 MUTAG 数据集上，TIF 相比其他模型，提升了 0.09%-35.77% 的准确率，提升了分类准确率和F1分数。

在解释性能方面，TIF的解释准确性高、与真实情况一致性强，决策路径稳定且重要性分布均衡。

TIF有效解决了图神经网络多粒度可解释性问题，为开发灵活、透明和稳健的图神经网络开辟了新途径。