관련 경로를 통한 그래프 신경망의 고차원 설명

그래프 신경망(GNN)은 그래프 구조 데이터를 예측하는 데 인기 있는 접근 방식입니다. GNN은 입력 그래프를 신경망 구조에 강하게 얽힌 상태로 만들어 일반적인 설명 가능한 AI 접근 방식은 적용할 수 없습니다. 지금까지 GNN은 사용자에게 블랙박스 상태로 남아 있었습니다. 본 논문에서는 GNN이 실제로 예측에 공동으로 기여하는 에지 그룹을 식별함으로써 고차원 확장을 사용하여 자연스럽게 설명될 수 있음을 보여줍니다. 실제로 우리는 기존 기술인 레이어별 중요도 전파(LRP)와 같은 방법을 각 단계에서 적용할 수 있는 중첩된 귀속 방식으로 이러한 설명을 추출할 수 있음을 발견했습니다. 출력은 예측과 관련된 입력 그래프에 대한 경로 모음입니다. 우리가 GNN-LRP로 지칭하는 우리의 새로운 설명 방법은 다양한 그래프 신경망에 적용 가능하며, 텍스트 데이터의 감정 분석, 양자 화학의 구조-속성 관계 및 이미지 분류에 대한 실제 관련 인사이트를 추출할 수 있게 해줍니다.