[논문 리뷰] BAED: a New Paradigm for Few-shot Graph Learning with Explanation in the Loop

Chao Chen, Xujia Li외 5명|arXiv (Cornell University)|2026. 03. 02.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

BAED는 Belief Propagation 기반 라벨 증강, 설명 서브그래프 추출을 위한 보조 GNN, 그리고 구조-기반 또는 특징이 희박한 그래프에서 정확도와 설명 가능성을 높이기 위한 그래디언트 기반 설명을 활용하는 few-shot 그래프 학습용 설명-루프 프레임워크를 도입한다.

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.

연구 동기 및 목표

• 풍부한 노드 특성에 의존하지 않고도 적은 샷 그래프 학습에서 라벨의 희소성과 노이즈를 해결한다.
• FSGL에서 강건성과 해석 가능성을 높이기 위한 루프 내 설명 파이프라인을 제안한다.
• 다양한 GNN 백본과 호환되는 그래디언트 기반 서브그래프 설명을 가능하게 한다.
• 보조 서브그래프 중심 학습과 BP 주도 증강을 통해 학습 효율을 향상시킨다.

제안 방법

• 라벨이 붙은 노드로부터 라벨 사전 정보를 라벨이 없는 노드로 전파하기 위한 Belief Propagation 기반 라벨 증강.
• 사전 정보로 학습된 보조 GNN이 결정적 정보를 담고 있는 설명 서브그래프를 식별한다.
• 그래디언트 역전파를 사용한 설명 서브그래프 추출로 중요도에 따라 간선을 순위화하고 상위 N개 노드의 서브그래프를 형성한다.
• 최종 예측을 산출하기 위해 설명 서브그래프에 다시 BP를 적용하여 의사 결정을 한다.
• 다양한 서브그래프 설명 방법과 백본을 지원하는 엔드-투-엔드 BAED 프레임워크.

실험 결과

연구 질문

• RQ1 BP 기반 라벨 증강이 FSGL에서 라벨 품질을 향상시키고 지역 이웃을 넘는 정보를 전달할 수 있는가?
• RQ2 확대된 사전 정보를 학습한 보조 GNN이 설명에 유용한 정보 서브그래프를 효과적으로 식별하는가?
• RQ3 설명 서브그래프에 대한 그래디언트 기반 설명이 적은 샷 설정에서 신뢰할 수 있고 강건한 예측을 낳는가?
• RQ4 다양한 데이터셋과 라벨 비율에서 FSGL 베이스라인과 비교해 BAED 파이프라인의 성능은 어떻게 되는가?

주요 결과

데이터셋	SAGE	GAT	GIN	GCN	SGC	DLRGAE	HiD-Net	GPN	tsGCN	DCI	SAGE+IG	SAGE+SM	BAED	향상.
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%

• BAED는 일곱 벤치마크에서 최첨단 베이스라인과 비교해 예측 정확도, 학습 효율성, 설명 품질이 우수하다.
• 설명-루프 학습을 활용해 특징 무관 FSGL 시나리오에서 상당한 이점을 얻는다.
• 설명 서브그래프는 무작위 보행보다 라벨 정보로 더 자주 풍부해져, 서브그래프 추출이 효과적임을 시사한다.
• 그래디언트 기반 설명은 다양한 서브그래프 설명 방법(IG, GNNExplainer 등)과 통합될 수 있다.
• BAED는 샷 수가 서로 다른 데이터셋에서 견고한 성능을 유지하지만, CoauthorCS와 같이 매우 조밀한 그래프에서 BP의 라벨 간섭으로 성능이 저하될 수 있다.