要約
解釈可能性を備えたグラフ学習は、多くの科学的応用がグラフ構造データから洞察を抽出するための学習モデルに依存していることから、今後ますます重要性を増す。従来の研究は、主に事後的（post-hoc）アプローチに依拠しており、事前に学習されたモデル（特にグラフニューラルネットワーク）の解釈を試みてきた。これらの研究は、本質的に解釈可能なモデルに対して懐疑的であり、そのようなモデルは解釈可能性が優れている一方で、予測精度が低下する傾向があると主張している。しかし、こうした事後的手法は、安定した解釈を提供できない場合が多く、タスクと誤って相関する特徴量を抽出するリスクを孕んでいる。本研究では、情報ボトルネック原理に基づき、グラフストキャスティックアテンション（GSAT）を提案することで、これらの課題に取り組む。GSATは、アテンション重みに確率性（stochasticity）を導入することで、タスクに無関係なグラフ構成要素からの情報を遮断しつつ、確率性を低減したアテンションを学習し、タスクに関連する部分グラフを選択して解釈を行う。理論的に、ある仮定のもとでは、選択された部分グラフにはタスクと誤って相関するパターンが含まれないことが保証される。8つのデータセットを用いた広範な実験の結果、GSATは解釈性評価指標（AUC）において最新の手法を最大20%向上させ、予測精度においても最大5%向上することを示した。本研究のコードは、https://github.com/Graph-COM/GSAT で公開されている。