白箱信号部分空間プローブによるグラフデータセットの運用特徴フィンガープリント

概要: グラフニューラルネットワークはノード分類の高い精度を達成しますが、学習されたメッセージパッシングは、自己属性、近傍の平滑化、高周波のグラフ差分、クラスの幾何、そして分類器の境界を、不透明な表現の中で絡み合わせてしまいます。これにより、「なぜあるノードが分類されるのか」や、「あるデータセットが必要とする特徴レベルのグラフ学習メカニズムは何か」が見えなくなります。
我々は、予測とグラフデータセット診断のためのホワイトボックス信号部分空間プローブであるWG-SRCを提案します。WG-SRCは、学習されたメッセージパッシングを、固定された、名前付きのグラフ信号辞書（生の特徴からなるもの）に置き換えます。この辞書は、行正規化および対称正規化された低域パス伝播と、高域パスのグラフ差分を含みます。さらに、Fisher座標の選択、クラスごとのPCA部分空間、閉形式のマルチαリッジ分類、検証ベースのスコア融合を組み合わせることで、予測と分析が明示的なクラス部分空間、エネルギー制御された次元、閉形式の線形判断を用いるようにします。
ホワイトボックスなグラフ学習の計測装置として、WG-SRCは診断の妥当性を予測性能によって検証します。6つのノード分類データセットにわたって、足場（scaffold）は再現されたグラフのベースラインと競争力を保ち、整合した分割（aligned splits）では平均で正のゲインを達成します。そのアトラスは、予測器によって生成され、振る舞いを、生の特徴、低域パス、高域パス、クラス幾何、そしてリッジ境界の各成分に分解します。これらの操作上の特徴フィンガープリントは、低域パス優勢なAmazonグラフ、混合した高域パスとクラス幾何的に複雑なChameleonの振る舞い、生の特徴または境界に敏感なWebKBグラフを識別します。事後的な説明（post-hoc）ではなく、内在的な分類器の出力として、これらのフィンガープリントは、その後の分析やデータセット固有の修正のためのガイダンスを提供します。整合したメカニスティックな介入は、このガイダンスを、高域パスのブロックが除去可能なノイズとして働くのはいつか、生の特徴を保持すべきはいつか、そしてリッジ型の境界補正が重要になるのはいつか、を示すことで支えます。