量子科技中心_量科网

图神经网络（GNNs）已成为药物发现、社交网络分析和推荐系统等关键领域不可或缺的工具，但其黑箱特性阻碍了在需要透明度和可问责场景中的部署。虽然基于Shapley值的方法通过量化各组成部分对预测的贡献提供了数学原理层面的解释，但精确值计算需要评估2^n个联盟（或对n!种排列进行聚合），这对于实际场景中的图数据是不可行的。现有近似策略要么牺牲保真度，要么牺牲效率，限制了其实际应用价值。该研究团队提出QGShap——一种利用振幅放大技术实现联盟评估二次加速的量子计算方法，同时保持精确的Shapley值计算。与经典采样或代理方法不同，该方法为可处理规模的图数据提供了完全忠实、无需近似权衡的解释。研究人员在合成图数据集上的实证评估表明，QGShap在所有评估指标上均达到或超越经典方法的表现，持续保持高保真度和解释准确性。这些结果共同证明QGShap不仅能保持精确的Shapley值忠实性，还能提供与GNNs底层图推理相一致的、可解释且结构稳定的说明。QGShap实现代码已发布于https://github.com/smlab-niser/qgshap。