
L’équipe DM2L publie à NeurIPS 2025 : « On Logic-based Self-Explainable Graph Neural Networks »
LogiX-GIN est un modèle novateur de Graph Neural Network (GNN) conçu pour rendre les décisions des modèles sur graphes directement interprétables sous forme de règles logiques. Contrairement aux approches post-hoc, LogiX-GIN intègre l’explicabilité au cœur même de son architecture, garantissant que les explications sont fidèles aux calculs internes du modèle. Les résultats expérimentaux montrent que, contrairement aux autres approches auto-explicables qui se limitent à identifier la partie la plus importante de l’entrée, LogiX-GIN fournit des règles qui expliquent son fonctionnement couche par couche. Et malgré les contraintes imposées à l’architecture pour garantir cette explicabilité, il atteint des performances comparables à celles des modèles “boîte noire”. L’introduction de LogiX-GIN ouvre de nouvelles perspectives pour l’usage des GNN dans des domaines où la confiance et la transparence sont essentielles, comme la biologie computationnelle, la chimie ou les systèmes de décision critiques.