Generating In-Distribution Proxy Graphs for Explaining Graph Neural Networks

要約

グラフ ニューラル ネットワーク (GNN) は、グラフ データ処理の構成要素となっており、重要な領域で幅広い用途に使用されています。
一か八かのアプリケーションに GNN を導入するニーズが高まっているため、意思決定プロセスにおいてユーザーに対する説明可能性が必要です。
GNN の説明可能性に関する一般的なパラダイムは、ラベルを元のグラフのラベルと比較することによって説明可能なサブグラフを識別することです。
このタスクは、トレーニング セット内の元のグラフから説明可能なサブグラフのセットへの大幅な分布シフトが原因で困難であり、サブグラフによるラベルの正確な予測が妨げられます。
これに対処するために、この論文では、トレーニング データの分布に含まれる説明可能な部分グラフのプロキシ グラフを生成する新しい方法を提案します。
グラフ ジェネレーターを使用してプロキシ グラフを作成するパラメトリック手法を導入します。
情報理論に基づいた新しいトレーニング目標は、プロキシ グラフがトレーニング データの分布に従うだけでなく、説明要素も確実に保持するように設計されています。
このように生成されたプロキシ グラフは、説明可能な部分グラフのラベルの予測を近似するために確実に使用できます。
さまざまなデータセットにわたる経験的評価により、私たちの方法が GNN のより正確な説明を達成できることが実証されています。

要約(オリジナル)

Graph Neural Networks (GNNs) have become a building block in graph data processing, with wide applications in critical domains. The growing needs to deploy GNNs in high-stakes applications necessitate explainability for users in the decision-making processes. A popular paradigm for the explainability of GNNs is to identify explainable subgraphs by comparing their labels with the ones of original graphs. This task is challenging due to the substantial distributional shift from the original graphs in the training set to the set of explainable subgraphs, which prevents accurate prediction of labels with the subgraphs. To address it, in this paper, we propose a novel method that generates proxy graphs for explainable subgraphs that are in the distribution of training data. We introduce a parametric method that employs graph generators to produce proxy graphs. A new training objective based on information theory is designed to ensure that proxy graphs not only adhere to the distribution of training data but also preserve explanatory factors. Such generated proxy graphs can be reliably used to approximate the predictions of the labels of explainable subgraphs. Empirical evaluations across various datasets demonstrate our method achieves more accurate explanations for GNNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google