TACENR：ノード表現のためのタスク非依存コントラスト的説明

Abstract

グラフ表現学習は、グラフ構造化データを潜在ベクトル空間へ符号化することで顕著な成功を収め、幅広い下流タスクを可能にしてきました。しかし、これらのノード表現は依然として不透明であり、解釈が困難です。既存の説明可能性手法は主に教師あり設定に焦点を当てるか、個々の表現次元の説明にとどまっており、ノード表現の全体構造を説明するうえでの重要なギャップが残されています。本論文では、ノード表現のためのタスク非依存型コントラスト的説明であるTACENR（Task-Agnostic Contrastive Explanations for Node Representations）を提案します。TACENRは局所的な説明手法であり、表属性特徴だけでなく、表現空間において表現への寄与が最も大きい近接性や構造的特徴も特定します。TACENRはコントラスト学習を基盤としており、表現空間上での類似性関数を学習することで、ノードの表現において重要な役割を果たす特徴が何かを明らかにします。私たちの主眼はタスク非依存の説明ですが、TACENRは教師ありのシナリオにも適用可能です。実験結果は、近接性および構造的特徴がノード表現の形成において重要な役割を果たすこと、また教師あり版が、最も影響の大きい特徴を同定する点で既存のタスク特化型手法と同等の性能を示すことを示しています。