Core Concepts
그래프 신경망 모델의 예측 결과를 해석 가능하게 만들기 위해 컨포멀 예측 기반의 강화 학습을 이용하여 예측에 필요한 최소한의 그래프 정보만을 선별하는 방법을 제안한다.
Abstract
이 논문은 그래프 신경망 모델의 예측 결과를 해석 가능하게 만드는 방법을 제안한다. 기존 그래프 신경망 모델은 그래프의 모든 노드와 간선 정보를 활용하여 예측을 수행하지만, 이는 모델의 해석 가능성을 저해한다.
이 논문에서는 강화 학습 기반의 접근법인 CORES를 제안한다. CORES는 그래프 분류 작업의 성능을 최적화하면서도 가장 예측에 중요한 부분 그래프를 찾아내는 방법이다. 이를 위해 CORES는 컨포멀 예측 기반의 보상 함수를 사용하여 모델의 불확실성을 고려한다.
9개의 그래프 분류 데이터셋에 대한 실험 결과, CORES는 기존 방법들과 비교하여 성능은 유지하면서도 훨씬 더 희소한 부분 그래프를 활용하여 예측을 수행한다. 이를 통해 그래프 신경망 모델의 해석 가능성이 크게 향상되었음을 보여준다.
Stats
그래프의 노드 수는 평균 18.85 ± 4.49개에서 284.32 ± 272.00개 사이이다.
그래프의 간선 수는 평균 28.97 ± 18.88개에서 1431.32 ± 1387.81개 사이이다.
데이터셋의 클래스 수는 2개 또는 6개이다.
Quotes
"그래프 신경망 모델의 복잡성으로 인해 가장 큰 단점 중 하나는 예측 결과의 해석 가능성 부족이다."
"해석 가능성은 그래프의 희소성과 밀접하게 연관되어 있으며, 예측에 필요한 최소한의 노드와 간선만을 사용하는 것을 의미한다."