
グラフニューラルネットワーク(GNN)に対する事後解釈技術は、モデルの再学習を必要とせずにブラックボックス型グラフモデルの内部機構を可視化する経済的かつ効果的な手法を提供している。多くのGNN解釈手法が、多様なベンチマーク上で最先端の解釈性能を達成している一方で、それらの内在的な性質や解釈能力に関する理論的分析はほとんど行われていない。本研究では、GNNの解釈において構造に配慮した特徴間相互作用を扱う課題に応じて、構造に配慮したシャープリー値ベースのマルチピース解釈手法(SAME: Structure-Aware Shapley-based Multipiece Explanation)を提案する。具体的には、SAMEはマルチスケールの構造に配慮した連結部分構造を探索するために、拡張に基づくモンテカルロ木探索を活用する。その後、異なる単一部分構造の組み合わせを最適化することで、グラフの特性をより情報豊かに表現する解釈結果を促進する。複数の重要な連結部分構造を検討する過程において、特徴間の公平な相互作用を考慮することにより、SAMEが提供する解釈は、多項式時間内に達成可能な理論的最適解釈(シャープリー値による解釈)と同等の説明可能性を有する可能性がある。実世界および合成データを用いた広範な実験の結果、SAMEは同一のテスト条件下で、BBBPにおいて前人最良の忠実度性能を12.9%向上、MUTAGで7.01%、Graph-SST2で42.3%、Graph-SST5で38.9%、BA-2Motifsで11.3%、BA-Shapesで18.2%向上する結果を示した。実装コードは https://github.com/same2023neurips/same にて公開されている。提出番号:12143