自己説明可能なテキスト属性付きグラフ学習のためのコンセプト・サブスペースの探求

arXiv cs.LG / 2026/4/15

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、意味のあるフレーズレベルのコンセプトからなるコンセプト・ボトルネック空間へグラフを写像することで、テキスト属性付きグラフに対する自己説明可能な学習のための新しいパラダイム「Graph Concept Bottleneck（GCB）」を提案する。
予測はこれらのコンセプトの活性化によって駆動され、主に説明用部分グラフを用いる従来の解釈可能な手法とは異なる形の解釈可能性を提供する。
著者らは、情報ボトルネック原理を用いてコンセプト空間を洗練し、最も関連性の高いコンセプトのみを保持することで、説明がより簡潔でありつつ、同時により忠実になることを実現する。
実験結果は、GCBが「内在的解釈可能性（intrinsic interpretability）」を達成し、その精度はブラックボックスのグラフニューラルネットワークと同等であることを示している。
さらにGCBは、コンセプトに導かれた予測により、分布シフトやデータ擾乱のもとでより良い性能を示し、頑健性と汎化性能の向上も確認される。