Graph Neural Network Causal Explanation via Neural Causal Models

要約

グラフ ニューラル ネットワーク (GNN) エクスプローラーは、特定のグラフの予測を保証する重要なサブグラフを識別します。
これまで、ほぼすべての GNN エクスプレナーは関連付けに基づいており、誤った相関が発生する傾向があります。
私たちは、因果推論による GNN 因果説明子である {\name} を提案します。
私たちの解説は、グラフは多くの場合、因果関係のあるサブグラフで構成されているという観察に基づいています。
{\name} には 3 つの主要なステップが含まれます。 1) グラフの因果構造と、それに対応する構造因果モデル (SCM) を構築します。これにより、ノード間の因果関係の計算が可能になります。
2) 現実世界のグラフで因果関係を直接計算することは、計算上困難です。
次に、トレーニング可能な特別なタイプの SCM である最近のニューラル因果モデル (NCM) によって啓発され、GNN 用にカスタマイズされた NCM を設計します。
これらの GNN NCM をトレーニングすることにより、因果関係を簡単に計算できます。
3) 最適化された GNN-NCM を介して GNN 予測を因果的に説明するサブグラフを明らかにします。
複数の合成グラフと現実世界のグラフの評価結果により、正確なグラウンドトゥルース説明の識別において、{\name} が既存の GNN 説明器よりも大幅に優れていることが検証されます。

要約(オリジナル)

Graph neural network (GNN) explainers identify the important subgraph that ensures the prediction for a given graph. Until now, almost all GNN explainers are based on association, which is prone to spurious correlations. We propose {\name}, a GNN causal explainer via causal inference. Our explainer is based on the observation that a graph often consists of a causal underlying subgraph. {\name} includes three main steps: 1) It builds causal structure and the corresponding structural causal model (SCM) for a graph, which enables the cause-effect calculation among nodes. 2) Directly calculating the cause-effect in real-world graphs is computationally challenging. It is then enlightened by the recent neural causal model (NCM), a special type of SCM that is trainable, and design customized NCMs for GNNs. By training these GNN NCMs, the cause-effect can be easily calculated. 3) It uncovers the subgraph that causally explains the GNN predictions via the optimized GNN-NCMs. Evaluation results on multiple synthetic and real-world graphs validate that {\name} significantly outperforms existing GNN explainers in exact groundtruth explanation identification

arxiv情報

提供元, 利用サービス

arxiv.jp, Google