摘要
可解释性理由（rationale）被定义为能够最好地解释或支持机器学习模型预测的输入特征子集。在视觉与语言数据中，理由识别技术显著提升了神经网络的泛化能力与可解释性。在图结构应用（如分子和聚合物性质预测）中，识别具有代表性的子图结构——即图理由（graph rationales），对于提升图神经网络的性能至关重要。然而，现有的图池化方法与/或分布干预方法普遍存在缺乏足够样本以学习最优图理由的问题。为此，本文提出一种新的数据增强操作——环境替换（environment replacement），该方法可自动生成虚拟数据样本，从而增强理由识别能力。我们进一步设计了一种高效框架，通过在隐空间中对真实样本与增强样本进行理由-环境分离与表征学习，避免了显式图解码与编码带来的高计算复杂度。在七个分子数据集和四个聚合物真实数据集上的实验结果表明，相较于现有技术，所提出的基于增强的图理由识别框架在有效性与效率方面均表现出显著优势。