[論文レビュー] BAED: a New Paradigm for Few-shot Graph Learning with Explanation in the Loop

Chao Chen, Xujia Li+5 more|arXiv (Cornell University)|Mar 2, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

BAED は、Belief Propagation に基づくラベル拡張、解説サブグラフ抽出のための補助的 GNN、勾配ベースの解説を用いた few-shot グラフ学習のためのエクプラネーション・イン・ザ・ループ型フレームワークを導入し、構造情報のみまたは特徴が乏しいグラフに対して精度と解釈性を向上させる。

ABSTRACT

The challenges of training and inference in few-shot environments persist in the area of graph representation learning. The quality and quantity of labels are often insufficient due to the extensive expert knowledge required to annotate graph data. In this context, Few-Shot Graph Learning (FSGL) approaches have been developed over the years. Through sophisticated neural architectures and customized training pipelines, these approaches enhance model adaptability to new label distributions. However, compromises in extcolor{black}{the model's} robustness and interpretability can result in overfitting to noise in labeled data and degraded performance. This paper introduces the first explanation-in-the-loop framework for the FSGL problem, called BAED. We novelly employ the belief propagation algorithm to facilitate label augmentation on graphs. Then, leveraging an auxiliary graph neural network and the gradient backpropagation method, our framework effectively extracts explanatory subgraphs surrounding target nodes. The final predictions are based on these informative subgraphs while mitigating the influence of redundant information from neighboring nodes. Extensive experiments on seven benchmark datasets demonstrate superior prediction accuracy, training efficiency, and explanation quality of BAED. As a pioneer, this work highlights the potential of the explanation-based research paradigm in FSGL.

研究の動機と目的

• 豊富なノード特徴量に頼らず、少数ショットのグラフ学習におけるラベル不足とノイズに対処する。
• FSGL の堅牢性と解釈性を高めるための explanation-in-the-loop パイプラインを提案する。
• さまざまな GNN アーキテクチャと互換性のある勾配ベースのサブグラフ解説を有効にする。
• 補助的サブグラフ中心の学習と BP 駆動の拡張により学習効率を向上させる。

提案手法

• ラベル付きノードからラベルなしノードへの priors を伝搬する Belief Propagation ベースのラベル拡張。
• priors で学習した補助的 GNN が決定的情報を含む解説サブグラフを識別。
• 勾配バックプロパゲーションを用いた解説サブグラフ抽出により、エッジの重要度でランキングし上位 N ノードからサブグラフを形成。
• 解説サブグラフ上で BP を再適用して最終予測を生成する意思決定。
• さまざまなサブグラフ解説手法とバックボーンをサポートするエンドツーエンドの BAED フレームワーク。

実験結果

リサーチクエスチョン

• RQ1 BP ベースのラベル拡張は、FSGL におけるラベル品質を改善し、局所的近傍を超えて情報を伝搬できるか。
• RQ2 augmented priors で学習した補助 GNN は解説の情報量を含むサブグラフを効果的に特定できるか。
• RQ3 解説サブグラフ上の勾配ベースの解説は、少数ショット設定で忠実で頑健な予測を生み出せるか。
• RQ4 BAED パイプラインは、データセットやラベリング比に関して FSGL ベースラインと比較してどの程度性能を発揧できるか。

主な発見

Dataset	SAGE	GAT	GIN	GCN	SGC	DLRGAE	HiD-Net	GPN	tsGCN	DCI	SAGE+IG	SAGE+SM	BAED	Improve.
Cora	0.301	0.307	0.269	0.311*	0.301	0.301	0.300	0.251	0.296	0.238	0.515	0.518	0.--	66.5%
Citeseer	0.202	0.192	0.215*	0.199	0.189	0.189	0.204	0.199	0.211	0.199	0.769	0.787	0.--	266.1%
PubMed	0.400	0.393	0.392	0.396	0.410	0.399	0.484	0.429	0.492*	0.459	0.487	0.507	0.--	3.0%
Wiki	0.157	0.152	0.151	0.152	0.152	0.152	0.161*	0.158	0.152	0.139	0.172	0.176	0.--	9.3%
DBLP	0.443	0.443	0.443	0.443	0.448	0.443	0.447	0.517*	0.442	0.449	0.690	0.698	0.--	24.6%
Wisconsin	0.273	0.269	0.273	0.269	0.396	0.380	0.273	0.407	0.269	0.420*	0.441	0.420	0.--	4.9%
CoauthorCS	0.226	0.216	0.119	0.183	0.280*	0.181	0.278	0.259	0.255	0.260	0.210	0.192	0.--	-25.1%
CoauthorPhy	0.308	0.315	0.308	0.302	0.289	0.266	0.320	0.352*	0.325	0.311	0.536	0.486	0.--	52.3%

• BAED は、7 つのベンチマークで、最先端のベースラインと比較して予測精度、学習効率、および解説品質で優位を示す。
• 解説イン・ザ・ループ学習を活用することで、特徴量非依存の FSGL シナリオで有意な向上を実現。
• 解説サブグラフは、ランダムウォークよりも多くラベル付き情報を豊富に持つことが確認され、サブグラフ抽出の効果を示す。
• 勾配ベースの解説は、IG、GNNExplainer などの多様なサブグラフ解説手法と統合可能。
• BAED は、ショット数が異なるデータセットで堅牢な性能を維持するが、CoauthorCS のような非常に密なグラフでは BP によるラベル干渉のため性能が低下する可能性がある。