1. 课程导入
在金融风控、反欺诈、反洗钱、信用评估与量化投研等场景中，图神经网络（GNN）之所以受到重视，是因为金融数据天然具有关系结构：账户与账户之间的转账、企业与企业的担保、用户与设备的登录、资金在多层主体之间的流转，都可以被建模为节点与边。GNN能够沿着这些关系传播信息，从而捕捉传统表格模型难以发现的团伙欺诈、资金环路、异常担保链等模式。但问题也随之而来：当模型给出“高风险”判断时，业务人员、审计人员和监管方往往需要知道“为什么”。如果无法解释，模型就难以进入授信拒绝、可疑交易上报、账户冻结等强决策环节。
本节核心问题：金融图模型为什么必须可解释？GNNExplainer在可解释性技术谱系中处于什么位置？学完本课程后，你应当能够对真实金融图模型完成解释、诊断与复盘。
一、金融图模型可解释性的意义
金融业务对模型的要求不只是“准”，还包括“可说明、可审计、可追责”。在信贷审批中，拒绝客户需要给出理由；在反洗钱中，可疑交易报告需要说明可疑点；在内部审计中，模型迭代需要证明没有使用违规特征。GNN的可解释性因此具有三层价值：
- 业务信任：让风控人员理解模型关注了哪些邻居、哪些边、哪些特征，从而判断结论是否符合业务常识。
- 合规审计：为监管检查、内部审计和客户申诉提供可追溯的证据链，避免“黑箱拒贷”。
- 模型优化：通过解释发现模型是否依赖了噪声边、泄漏特征或虚假相关，指导图结构清洗与特征工程。
需要强调的是，可解释性不是事后装饰，而是金融图模型生命周期的一部分。一个无法解释的高AUC模型，在强监管场景中可能无法上线；一个解释清晰但略有精度损失的模型，反而更容易被业务接受。
二、GNNExplainer的定位
GNNExplainer是一种面向GNN的事后解释方法。它的核心思想是：对于某个节点或某条预测，学习一个“掩码”，在原始计算图上保留对当前预测最重要的子图结构和节点特征，同时尽量不改变原模型的预测结果。换句话说，它回答的是：“如果只保留这些边和这些特征，模型仍然会给出同样的判断吗？”
与基于梯度、基于注意力或基于代理模型的方法相比，GNNExplainer的定位可以概括为：
| 方法类型 | 典型代表 | 解释对象 | 金融场景适用性 |
|---|---|---|---|
| 梯度/显著性 | Grad、Integrated Gradients | 节点特征重要性 | 适合特征归因，弱于结构解释 |
| 注意力解释 | GAT注意力权重 | 边权重 | 依赖模型结构，注意力不等于因果 |
| 代理模型 | GraphLIME、Surrogate | 局部近似 | 可解释性强，但保真度有限 |
| 掩码优化 | GNNExplainer | 子图+特征掩码 | 兼顾结构与特征，适合金融风控 |
在金融场景中，GNNExplainer尤其适合回答“这个账户为什么被判定为欺诈团伙成员”“这笔交易为什么被标记为可疑”这类需要同时看关系和看特征的问题。
三、方法流程：GNNExplainer如何工作
理解GNNExplainer，需要抓住“掩码优化”这一主线。给定一个训练好的GNN和一个待解释的节点，GNNExplainer并不重新训练模型，而是固定模型参数，学习一组掩码变量。边掩码决定哪些边被保留，特征掩码决定哪些特征维度被保留。优化目标通常由两部分组成：一是保真度，即保留子图后的预测应尽量接近原预测；二是简洁性，即保留的边和特征应尽量少。二者形成权衡。
输入：训练好的GNN模型 f，目标节点 v，原始图 G=(V,E,X)
初始化：边掩码 M_e，特征掩码 M_f
重复优化：
1. 用 M_e 和 M_f 对图进行掩码，得到子图 G_masked
2. 计算 f(G_masked, v) 与 f(G, v) 的差异（保真度损失）
3. 计算掩码稀疏正则（简洁性损失）
4. 反向传播更新 M_e 和 M_f
输出：关键边集合、关键特征集合、解释子图在金融实践中，这一流程可以直接映射为：对某个被拒绝授信的客户，找出对其风险评分影响最大的几笔转账、几个关联账户和几个特征维度，形成一份可读的“风险证据包”。
四、案例场景与常见误区
假设某银行使用GNN识别团伙欺诈。模型将某账户标记为高风险。GNNExplainer可能给出如下解释：该账户与三个已知欺诈账户存在直接转账，且“近7天交易对手数量”和“夜间交易占比”两个特征贡献最大。风控人员据此可以快速判断是否启动人工核查。
正确用法：把GNNExplainer输出当作“线索”而非“结论”。它告诉你模型关注了什么，但不自动证明这些关注点在业务上一定成立。需要结合规则、名单和人工经验交叉验证。
常见误区：一是把注意力权重直接当作解释，忽略注意力并不等于因果；二是只解释单个节点，忽略整体解释稳定性；三是为了追求解释好看而调参，导致解释与模型真实行为脱节；四是在图结构存在泄漏边时，解释结果会放大泄漏，必须同步做图清洗。
五、学习目标与整体课程框架
本课程共30章，围绕“原理—工具—实战—复盘”四条主线展开。学习目标如下：
- 理解金融图模型可解释性的业务价值与合规要求。
- 掌握GNNExplainer的核心原理、数学目标与关键参数。
- 能够使用PyTorch Geometric等工具对真实金融图数据完成解释。
- 能够阅读、诊断并优化解释结果，形成可审计的证据链。
- 能够将解释结果转化为风控策略、审计报告和模型迭代建议。
后续章节将依次覆盖：图数据构建与特征工程、GNN模型训练与评估、GNNExplainer的安装与配置、节点分类与链路预测的解释实战、解释结果可视化、稳定性与保真度评估、金融合规场景落地，以及多类可解释性方法的对比与选型。本章作为导入，重点建立“为什么需要解释、解释什么、用什么解释、如何判断解释好坏”的整体认知。
在进入后续实操之前，建议先明确一个判断标准：一个好的金融图模型解释，应当同时满足保真性（忠实反映模型行为）、简洁性（人类可读）、稳定性（相似样本解释一致）和业务可验证性（能被风控人员复核）。这四点将贯穿整个课程。