Explaining Graph Neural Networks for Node Similarity on Graphs

要約

類似性検索は、引用ネットワークやナレッジ グラフなど、グラフ データを扱うさまざまなアプリケーションで情報を活用するための基本的なタスクです。
このタスクには、ヒューリスティックからグラフ エンベディングやグラフ ニューラル ネットワーク (GNN) まで集中的にアプローチされてきましたが、類似性の説明を提供することはあまり注目されていません。
この研究では、ノードの類似性を計算するための GNN ベースの方法を説明でどのように強化できるかを調査することにより、グラフ上の説明可能な類似性の検索に取り組んでいます。
具体的には、相互情報量 (MI) と勾配ベースの説明 (GB) の概念に基づいて、GNN での説明に対する 2 つの著名なアプローチのパフォーマンスを評価します。
私たちはそれらの適合性について議論し、さまざまな一般的なグラフベンチマークに対する説明の特性を経験的に検証します。
MI の説明とは異なり、勾配ベースの説明には 3 つの望ましい特性があることがわかりました。
まず、それらは実用的です。それらに応じて入力を選択すると、類似性スコアに予測可能な変化が生じます。
第 2 に、それらは一貫しています。特定の入力を選択した場合の効果は、それらを破棄した場合の効果とほとんど重なりません。
第三に、類似性スコアへの影響を維持したまばらな説明を取得するために、それらを大幅に刈り込むことができます。

要約(オリジナル)

Similarity search is a fundamental task for exploiting information in various applications dealing with graph data, such as citation networks or knowledge graphs. While this task has been intensively approached from heuristics to graph embeddings and graph neural networks (GNNs), providing explanations for similarity has received less attention. In this work we are concerned with explainable similarity search over graphs, by investigating how GNN-based methods for computing node similarities can be augmented with explanations. Specifically, we evaluate the performance of two prominent approaches towards explanations in GNNs, based on the concepts of mutual information (MI), and gradient-based explanations (GB). We discuss their suitability and empirically validate the properties of their explanations over different popular graph benchmarks. We find that unlike MI explanations, gradient-based explanations have three desirable properties. First, they are actionable: selecting inputs depending on them results in predictable changes in similarity scores. Second, they are consistent: the effect of selecting certain inputs overlaps very little with the effect of discarding them. Third, they can be pruned significantly to obtain sparse explanations that retain the effect on similarity scores.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google