Counterfactual Explanations for Graph Classification Through the Lenses of Density

要約

反事実の例は、シンプルでわかりやすい事後説明を生み出すための効果的なアプローチとして登場しました。
グラフ分類のコンテキストでは、これまでの研究は、グラフの最も基本的な単位を操作することによって、つまり、既存のエッジを削除したり、存在しないエッジを追加したりすることによって、反事実的な説明を生成することに焦点を当ててきました。
この論文では、そのような説明言語は細かすぎるのではないかと主張し、三角形を閉じる傾向、反復するモチーフの存在、
そして高密度のモジュールに編成されます。
したがって、グラフ分類器のインスタンスレベルの反事実説明を生成するための一般的な密度ベースの反事実検索フレームワークを定義します。これは、密な部分構造のさまざまな概念でインスタンス化できます。
特に、この一般的なフレームワークの 2 つの具体的なインスタンス化を示します。1 つは三角形を開閉することによって反事実グラフを検索する方法、もう 1 つは最大クリークによって駆動される方法です。
また、たとえばノードの特定の分類など、密な部分構造の他の概念を活用するために一般的な方法をインスタンス化する方法についても説明します。
私たちは 7 つの脳ネットワーク データセットでアプローチの有効性を評価し、いくつかの広く使用されている指標に従って生成された反事実的な記述を比較します。
その結果、多用途で解釈可能な反事実の説明方法を定義するには、密度のような意味に関連した変化単位を採用することが不可欠であることが確認されました。

要約(オリジナル)

Counterfactual examples have emerged as an effective approach to produce simple and understandable post-hoc explanations. In the context of graph classification, previous work has focused on generating counterfactual explanations by manipulating the most elementary units of a graph, i.e., removing an existing edge, or adding a non-existing one. In this paper, we claim that such language of explanation might be too fine-grained, and turn our attention to some of the main characterizing features of real-world complex networks, such as the tendency to close triangles, the existence of recurring motifs, and the organization into dense modules. We thus define a general density-based counterfactual search framework to generate instance-level counterfactual explanations for graph classifiers, which can be instantiated with different notions of dense substructures. In particular, we show two specific instantiations of this general framework: a method that searches for counterfactual graphs by opening or closing triangles, and a method driven by maximal cliques. We also discuss how the general method can be instantiated to exploit any other notion of dense substructures, including, for instance, a given taxonomy of nodes. We evaluate the effectiveness of our approaches in 7 brain network datasets and compare the counterfactual statements generated according to several widely-used metrics. Results confirm that adopting a semantic-relevant unit of change like density is essential to define versatile and interpretable counterfactual explanation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google