Core Concepts
効率的で直感的な部分グラフ説明を生成するために、辺誘導部分グラフを使用し、各データサンプルの最適な説明サイズを自動的に決定する。
Abstract
本論文では、グラフニューラルネットワーク(GNN)の予測を説明するための部分グラフ説明の生成プロセスを体系的に研究しています。
まず、部分グラフ説明を生成する際の2つの重要な側面、すなわち部分グラフの誘導手法と最適な説明サイズの決定について分析しています。
分析の結果、辺誘導部分グラフが、ノード誘導や辺とノードの組み合わせ誘導よりも直感的で網羅的であることを示しています。
また、データサンプルごとに最適な説明サイズが異なることを指摘し、一律の疎度を適用するのは適切ではないことを示しています。
これらの洞察に基づき、著者らは効率的な線形時間探索アルゴリズム(EiG-Search)を提案しています。
EiG-Searchは、辺の重要度を近似する線形勾配アルゴリズムと、効率的な線形時間探索アルゴリズムから構成されています。
これにより、各データサンプルの最適な部分グラフ説明を生成することができます。
実験の結果、EiG-Searchは既存の手法と比較して説明の忠実度が高く、計算効率も優れていることが示されています。
Stats
予測確率の変化が大きい辺ほど重要である
予測確率の変化が小さい辺ほど重要ではない
Quotes
辺誘導部分グラフは、ノード誘導や辺とノードの組み合わせ誘導よりも直感的で網羅的である
データサンプルごとに最適な説明サイズが異なるため、一律の疎度を適用するのは適切ではない