Generating Skyline Explanations for Graph Neural Networks

要約

このペーパーでは、説明可能性のための複数の測定を同時に最適化するグラフニューラルネットワークGNNSのサブグラフ説明を生成するための新しいアプローチを提案します。
既存のGNN説明方法は、多くの場合、忠実度や簡潔さなど、事前に定義された単一の説明可能性尺度を最適化するサブグラフ（「説明サブグラフ」と呼ばれる）を計算します。
これにより、GNNモデルの出力を明確にするための包括的な説明を提供できない偏った説明につながる可能性があります。
スカイラインの説明を紹介します。これは、複数の説明可能性測定を同時に最適化することにより、K説明サブグラフを特定することを目的とするGNN説明パラダイムです。
（1）スカイラインの説明生成を多目的最適化問題として定式化し、説明サブグラフのスカイラインセットを近似する説明を追求します。
スカイラインの説明生成の硬度を示します。
（2）興味のあるノードの隣人から戦略的にエッジを削除するタマネギのピールアプローチで効率的なアルゴリズムを設計し、証明可能な品質保証で解釈ドメインを探求する際に説明を徐々に改善します。
（3）説明を多様化するためのアルゴリズムをさらに開発して、より包括的な視点を提供します。
実際のグラフを使用して、アルゴリズムの有効性、効率、およびスケーラビリティを経験的に検証します。

要約(オリジナル)

This paper proposes a novel approach to generate subgraph explanations for graph neural networks GNNs that simultaneously optimize multiple measures for explainability. Existing GNN explanation methods often compute subgraphs (called “explanatory subgraphs”) that optimize a pre-defined, single explainability measure, such as fidelity or conciseness. This can lead to biased explanations that cannot provide a comprehensive explanation to clarify the output of GNN models. We introduce skyline explanation, a GNN explanation paradigm that aims to identify k explanatory subgraphs by simultaneously optimizing multiple explainability measures. (1) We formulate skyline explanation generation as a multi-objective optimization problem, and pursue explanations that approximate a skyline set of explanatory subgraphs. We show the hardness for skyline explanation generation. (2) We design efficient algorithms with an onion-peeling approach that strategically removes edges from neighbors of nodes of interests, and incrementally improves explanations as it explores an interpretation domain, with provable quality guarantees. (3) We further develop an algorithm to diversify explanations to provide more comprehensive perspectives. Using real-world graphs, we empirically verify the effectiveness, efficiency, and scalability of our algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google