Centrala begrepp
本研究では、グラフ分類タスクにおいて、予測に必要な最小限のサブグラフを見つけることで、GNNの解釈性を向上させる手法を提案する。
Sammanfattning
本研究では、グラフ分類タスクにおいて、GNNの予測に必要な最小限のサブグラフを見つける手法を提案している。
具体的には以下の2つの課題に取り組む:
- サブグラフの構造に関する仮定を置かずに、エッジや頂点の削除によってサブグラフを見つける
- サブグラフを用いてグラフ分類タスクを最適化する
提案手法では、強化学習を用いてサブグラフを見つける方策を学習する。報酬関数には、コンフォーマル予測に基づいて分類器の不確実性を考慮している。
9つのグラフ分類データセットで評価した結果、提案手法は既存手法と同等の性能を達成しつつ、大幅にスパースなサブグラフを利用していることが示された。これにより、GNNの予測に必要な情報が最小限に抑えられ、解釈性が向上することが確認された。
Statistik
元のグラフの頂点数の15.91%しか使わずに、BZRデータセットの分類精度を84.88%まで達成した
元のグラフのエッジ数の10.84%しか使わずに、BZRデータセットの分類精度を81.95%まで達成した
元のグラフの頂点数の52.38%しか使わずに、MUTAGデータセットの分類精度を82.86%まで達成した
元のグラフのエッジ数の36.31%しか使わずに、MUTAGデータセットの分類精度を82.14%まで達成した
Citat
"本研究では、グラフ分類タスクにおいて、GNNの予測に必要な最小限のサブグラフを見つける手法を提案している。"
"提案手法では、強化学習を用いてサブグラフを見つける方策を学習する。報酬関数には、コンフォーマル予測に基づいて分類器の不確実性を考慮している。"
"9つのグラフ分類データセットで評価した結果、提案手法は既存手法と同等の性能を達成しつつ、大幅にスパースなサブグラフを利用していることが示された。"