On the Robustness of Post-hoc GNN Explainers to Label Noise

要約

グラフ ニューラル ネットワーク (GNN) の固有のブラック ボックス制限に対する解決策として提案されたポストホック GNN エクスプローラーは、トレーニングされた GNN が示す動作について正確かつ洞察力に富んだ説明を提供することを目的としています。
学術および産業分野における最近の顕著な進歩にもかかわらず、ラベル ノイズに直面した場合のポストホック GNN エクスプローラーの堅牢性は未解明のままです。
このギャップを埋めるために、さまざまなレベルのラベル ノイズの下での多様なポストホック GNN エクスプローラーの有効性を評価するための系統的な実証調査を実施します。
私たちの結果は、いくつかの重要な洞察を明らかにします。 まず、ポストホック GNN エクスプローラーはラベルの摂動の影響を受けやすいです。
第 2 に、GNN のパフォーマンスには関係のないわずかなレベルのラベル ノイズであっても、生成された説明の品質が大幅に損なわれます。
最後に、ノイズレベルが増大する中での説明効果の漸進的な回復について議論します。

要約(オリジナル)

Proposed as a solution to the inherent black-box limitations of graph neural networks (GNNs), post-hoc GNN explainers aim to provide precise and insightful explanations of the behaviours exhibited by trained GNNs. Despite their recent notable advancements in academic and industrial contexts, the robustness of post-hoc GNN explainers remains unexplored when confronted with label noise. To bridge this gap, we conduct a systematic empirical investigation to evaluate the efficacy of diverse post-hoc GNN explainers under varying degrees of label noise. Our results reveal several key insights: Firstly, post-hoc GNN explainers are susceptible to label perturbations. Secondly, even minor levels of label noise, inconsequential to GNN performance, harm the quality of generated explanations substantially. Lastly, we engage in a discourse regarding the progressive recovery of explanation effectiveness with escalating noise levels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google