标准图数据

 一、节点分类

1. BA-Shapes：单图，包括一个300节点的Barabasi-Albert(BA)子图和80个“房子”图案，这些图案被随机的加在BA图的节点上，并且加入随机边进行干扰。
该图没有节点特征。节点在基本图上是类型0，在“房子”的顶部，中部，底部分别为类型1-3.

 2.BA-community：包含两个BA图（社区），每一个BA图的节点特征符合高斯分布，根据不同社区的不同成员身份总共分成8个类
 

 3. Tree-Cycles：二分树作为基图，80个6节点循环图被附加于基本图随机节点上。
 

 4. Tree-Grid：基本图与Tree-Cycles类似，但用3×3的网络图代替循环图。

 二、 图分类
1. BA-2motifs dataset：800个子图，采用BA图为基图，一半的附加图为“房子”图案，其余是附有5节点的循环图案（根据附加图的不同，可分为2种类型的图）

 2. MUTAG（真实图）：由4337个分子图组成，根据诱变效应分为两类。碳环中含有NH2和NO2原子团被认为是有诱变性的，而没有诱变性的分子也含有碳环。因此，我们可以将碳环作为基本图（共有图），将NH2和NO2原子团作为突变基图的基序（附加图，判据图）

三、评估指标
1、定性评估：在上面的图示中，黑边表示具有重要权重的边（按top-k排序)。并且可以明显地看出高权重边被赋予BA-Shapes和BA-Community的“house”图，Tree-Cycles和BA-2motifs的循环图，Tree-Grid的网格图，以及MUTAG的NO2原子团。
2、定量评估：此处将解释问题量化为边的二元分类。将重要图案的边视为正性边，否则为负性边。解释方法所得出的重要性权重被视为预测得分。较好的解释方法是赋予真实重要图案的边较高的权重，采用AUC作为定量评估的指标。特别地，对于MUTAG数据集，只考虑诱导图，因为非诱导图不存在明显的诱变原子团。
每个实验重复10次，得出AUC的平均值和标准差。

PGExplainer利用图生成模型的参数化解释网络，对多个实例共同提供解释。因此，PGExplainer可以拥有gnn的全局视图，这就解释了为什么PGExplainer可以比GNNExplainer表现得更好。

(38条消息) 模型评估指标AUC（area under the curve）_Webbley的博客-CSDN博客_auc值

3、效率评估：PGExplainer的解释网络可以在所有实例中共享（权值），因此，一个训练后的PGExplainer可以用来解释归纳设置中的新实例。用推理时间标识解释器解释一个新实例的时间，由于GNNExplainer必须对模型进行再训练，所以相比之下，PGExplainer大幅度降低推理时间，其计算效率是GNNExplainer的108倍，因此，PGExplainer更适合大规模数据。
4、归纳评估：
1）AUC随着训练实例的增加而增加。
2）训练的实例数越多，标准差越小，PGExplainer更倾向于全局检测共享图案，鲁班性更高。
3）PGExplainer只需要少量的训练实例就能取得相对较好的性能。

 5、图大小和交叉熵约束性能

6、连通约束：
该类约束指的是更多的边会约束在重要节点上。下图可以看出，通过连通约束，PGExplainer更倾向于提供一个连通子图作为解释图。

 
7、特征选择：可以参考GNNExplainer做特征掩码。