PaGE-Link: Path-based Graph Neural Network Explanation for Heterogeneous Link Prediction

要約

タイトル：PaGE-Link：異種リンク予測のためのグラフニューラルネットワーク説明のパスベース手法
要約：
– ブラックボックス機械学習モデルの透明性と説明責任は、重要な問題になっている。
– モデルの振る舞いを説明する適切な説明は、モデルの透明性を高め、研究者がより責任あるモデルを開発するのに役立つ。
– グラフニューラルネットワーク(GNN)は、従来の方法に比べて、多くのグラフ機械学習問題で優れた性能を発揮し、その解釈には増加する関心がある。
– しかしながら、リンク予測（LP）のためのGNN説明は、文献において不十分である。
– LPは重要なGNNタスクであり、推奨とウェブ上のスポンサード検索に対応する。
– PaGE-Linkは、既存のGNN説明方法がノード/グラフレベルのタスクにのみ対応していることから、グラフの異質性を扱い、接続の解釈可能性を備えた説明を生成するパスベースGNN説明を提案する。
– 定量的に、PaGE-Linkが生成する説明は、引用やユーザー-アイテムグラフの推奨のAUCを9〜35％向上させ、78.79％の評価で優れた説明として選択される。
– 定性的には、PaGE-Linkはノードペアを接続するパスとして説明を生成することができ、二つのノードの接続を自然に捉え、人間が理解可能な説明に容易に変換できる。

要約(オリジナル)

Transparency and accountability have become major concerns for black-box machine learning (ML) models. Proper explanations for the model behavior increase model transparency and help researchers develop more accountable models. Graph neural networks (GNN) have recently shown superior performance in many graph ML problems than traditional methods, and explaining them has attracted increased interest. However, GNN explanation for link prediction (LP) is lacking in the literature. LP is an essential GNN task and corresponds to web applications like recommendation and sponsored search on web. Given existing GNN explanation methods only address node/graph-level tasks, we propose Path-based GNN Explanation for heterogeneous Link prediction (PaGE-Link) that generates explanations with connection interpretability, enjoys model scalability, and handles graph heterogeneity. Qualitatively, PaGE-Link can generate explanations as paths connecting a node pair, which naturally captures connections between the two nodes and easily transfer to human-interpretable explanations. Quantitatively, explanations generated by PaGE-Link improve AUC for recommendation on citation and user-item graphs by 9 – 35% and are chosen as better by 78.79% of responses in human evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI