تُعتبر الشبكات العصبية الرسومية (Graph Neural Networks) من الأدوات الفعالة في التنبؤ بخصائص الجزيئات من خلال بيانات الرسوم البيانية الكيميائية، ولكن دقة التوقعات تظل بحاجة إلى تفسير واضح. في هذا السياق، نُقدّم نموذج MPGE (Multi-Perspective Graph Explainer) الذي يسعى لتحسين فهمنا للتصنيفات الجزيئية عبر توفير تفسيرات متكاملة.

يعتمد النموذج على دمج ثلاثة جوانب رئيسية: التفسير الواقعي، والحساسية المعاكسة، وتحمل النماذج، مما يضمن توضيح كيفية دعم المعلومات الرسومية للقرارات الفردية. تتضمن هذه العملية !== الصيغة الضمنية (Prototype) التي تبحث عن مجموعة أركان مضغوطة تحتفظ بنفس التصنيف والثقة المطلوبة، وتفسيرات الحساسية العكسية التي تسعى لتحديد التعديلات التي قد تؤثر على التنبؤ.

من خلال تقييم MPGE على مجموعة من البيانات مثل MUTAG وAIDS، تم تحديد استراتيجيات انتاج أقنعة واقعية ناجحة حافظت على نسبة تتراوح بين 8.6% و15.5% من الأركان المدخلة، مما يشير إلى فعالية النموذج في الحفاظ على خصائص التنبؤ. فضلاً عن ذلك، كانت معدلات الحفاظ على التصنيفات الاستثنائية تتراوح بين 98.9% و100%، مما يبرز قوة MPGE في هذا المجال.

في الختام، يُعَدّ MPGE خطوة هامة نحو تحسين فهمنا لما وراء قرارات التصنيف في العلوم الكيميائية، مما يعزز استخدام الشبكات العصبية الرسومية بشكل أكبر في هذا المجال الهام.