torch_geometric.explain.metric.fidelity

fidelity(explainer: 解释器, explanation: Explanation 翻译后的中文内容如下： 解释) → Tuple[float, float][source]

评估给定Explainer的保真度，基于Explanation，如“GraphFramEx: Towards Systematic Evaluation of Explainability Methods for Graph Neural Networks”论文中所述。

Fidelity评估生成的解释子图对初始预测的贡献，可以通过仅将子图提供给模型（fidelity-）或从整个图中移除它（fidelity+）来实现。 Fidelity分数捕捉了可解释模型在再现自然现象或GNN模型逻辑方面的表现。

对于现象的解释，保真度分数由以下公式给出：

\[ \begin{align}\begin{aligned}\textrm{fid}_{+} &= \frac{1}{N} \sum_{i = 1}^N \| \mathbb{1}(\hat{y}_i = y_i) - \mathbb{1}( \hat{y}_i^{G_{C \setminus S}} = y_i) \|\\\textrm{fid}_{-} &= \frac{1}{N} \sum_{i = 1}^N \| \mathbb{1}(\hat{y}_i = y_i) - \mathbb{1}( \hat{y}_i^{G_S} = y_i) \|\end{aligned}\end{align} \]

对于模型解释，保真度分数由以下公式给出：

\[ \begin{align}\begin{aligned}\textrm{fid}_{+} &= 1 - \frac{1}{N} \sum_{i = 1}^N \mathbb{1}( \hat{y}_i^{G_{C \setminus S}} = \hat{y}_i)\\\textrm{fid}_{-} &= 1 - \frac{1}{N} \sum_{i = 1}^N \mathbb{1}( \hat{y}_i^{G_S} = \hat{y}_i)\end{aligned}\end{align} \]
Parameters:
Return type:

Tuple[float, float]