초록
이유 근거(Rationale)는 머신러닝 모델의 예측을 가장 잘 설명하거나 지지하는 입력 특성의 부분집합으로 정의된다. 이유 근거 식별 기법은 비전 및 언어 데이터에서 신경망의 일반화 능력과 해석 가능성 향상에 기여해 왔다. 분자 및 고분자 성질 예측과 같은 그래프 응용 분야에서는 그래프 근거(Graph rationale)라 불리는 대표적인 서브그래프 구조를 식별하는 것이 그래프 신경망의 성능에 핵심적인 역할을 한다. 기존의 그래프 풀링 및/또는 분포 간섭 기법은 최적의 그래프 근거를 식별하기 위한 충분한 예시가 부족한 문제를 겪고 있다. 본 연구에서는 이러한 문제를 해결하기 위해, 가상의 데이터 예시를 자동으로 생성함으로써 이유 근거 식별을 향상시키는 새로운 증강 연산인 환경 치환(environment replacement)을 제안한다. 또한, 그래프의 명시적 인코딩 및 디코딩의 높은 복잡도를 피하기 위해, 잠재 공간에서 실제 데이터와 증강 데이터 예시에 대해 이유 근거와 환경을 분리하고 표현 학습을 수행하는 효율적인 프레임워크를 제안한다. 최근 기술들과의 비교를 통해, 7개의 분자 및 4개의 고분자 실 데이터셋에서 제안된 증강 기반 그래프 근거화 프레임워크의 효과성과 효율성을 실험적으로 입증하였다.