[論文レビュー] GraphNNK -- Graph Classification and Interpretability

Željko Bolević, Miloš Brajović+2 more|arXiv (Cornell University)|Jan 31, 2026

Explainable Artificial Intelligence (XAI)被引用数 0

ひとこと要約

要約: 本論文はグラフ同型性ネットワーク(GIN)のパラメトリックsoftmax分類器を非負カーネル回帰(NNK)に置換し、解釈可能で例に基づくグラフ分類を実現。評価はNCI1上で行われる。

ABSTRACT

Graph Neural Networks (GNNs) have become a standard approach for learning from graph-structured data. However, their reliance on parametric classifiers (most often linear softmax layers) limits interpretability and sometimes hinders generalization. Recent work on interpolation-based methods, particularly Non-Negative Kernel regression (NNK), has demonstrated that predictions can be expressed as convex combinations of similar training examples in the embedding space, yielding both theoretical results and interpretable explanations.

研究の動機と目的

• グラフ分類における解釈性をパラメトリックsoftmax層を超えて動機付ける。
• ソフトマックス分類器を置換できる非パラメトリック、近傍ベース推論(NNK)をGNNに導入できるかを調査する。
• 埋め込み品質がNNKの性能と解釈性に与える影響を評価する。
• NNKが透明で例駆動的な予測を提供するエンドツーエンドアーキテクチャを示す。

提案手法

• グラフ埋め込みを学習するためのGraph Isomorphism Network (GIN)を訓練する。
• 最終の線形softmax分類器を埋め込み空間でNon-Negative Kernel regression (NNK)補間器に置換する。
• テスト時にFAISSを用いてk近傍の訓練グラフ埋め込みを取得し、Choleskyベースの二次計画問題を解いて非負の再構成重みθを得る。
• 正規化された重みwに従って能動的近傍のラベルを凸結合してクラス確率を計算する。
• 解釈可能性は、予測が有意義な訓練例のサブセットの重み付き補間として表現されるため生まれる。
• NNKを、同一の訓練条件の下で監督付きベースラインと比較してNCI1データセットで評価する。

実験結果

リサーチクエスチョン

• RQ1 ソフトマックス分類器をNNKに置換することは、最適化されたGIN埋め込みにおいてグラフ分類の精度を改善または維持するか。
• RQ2 埋め込み品質はグラフ分類におけるNNKの性能と安定性にどのように影響するか。
• RQ3 NNKはグラフ分類の予測に関する透明で例に基づく説明をどの程度提供できるか。
• RQ4 非パラメトリック推論の使用は、グラフ構造データの一般化と解釈性にどのような影響を与えるか。

主な発見

• NNKは、NCI1における最良の検証チェックポイントで監督付きベースラインを一貫して上回る（例: エポック90で精度が0.7786から0.8273に向上）。
• NNKの利点は埋め込み品質に依存する。埋め込みが安定していないまたは最適化が不十分な場合、性能は低下する。
• 解釈性は、予測が非ゼロの重みを持つ能動的近傍のサブセットの凸結合として表現されるため得られる。
• 良好な埋め込み表現があれば、非パラメトリック推論はパラメトリック分類器に匹敵する、あるいはそれを上回ることを示している。
• 説明は、予測に寄与する特定の訓練例に直接結びつき、補間重みを通じて示される。