ATEX-CF: Attack-Informed Counterfactual Explanations for Graph Neural Networks

Created by

Haebom

저자

Yu Zhang, Sean Bin Yang, Arijit Khan, Cuneyt Gurcan Akcora

💡 개요

이 논문은 그래프 신경망(GNN)의 예측을 바꾸는 최소한의 변화를 찾는 반사실적 설명(counterfactual explanations)을 생성하는 새로운 프레임워크인 ATEX-CF를 제안합니다. ATEX-CF는 예측 뒤집기라는 공통 목표를 공유하지만 교란 전략이 다른 적대적 공격 기법과 반사실적 설명 생성을 통합하여, 기존의 분리된 접근 방식과 달리 엣지 추가 및 삭제를 효율적으로 결합합니다. 또한, 충실도, 희소성, 타당성을 제약된 교란 예산 하에서 공동으로 최적화하여 유익하고 현실적인 인스턴스 수준의 설명을 생성합니다.

🔑 시사점 및 한계

•

GNN 해석을 위한 반사실적 설명 생성 시, 적대적 공격 기법에서 얻은 통찰력을 활용하는 것이 효과적임을 보여줍니다.

•

엣지 추가와 삭제를 모두 고려하여 더욱 강력하고 현실적인 반사실적 설명을 생성할 수 있습니다.

•

설명의 충실도, 간결성, 타당성을 동시에 최적화하는 방법론을 제시합니다.

•

실험 결과는 ATEX-CF가 합성 데이터와 실제 데이터 모두에서 유망한 성능을 보임을 입증합니다.

•

향후 연구에서는 더 복잡한 그래프 구조나 다른 GNN 태스크에 대한 ATEX-CF의 적용 가능성을 탐색할 수 있습니다.

PDF 보기

Made with Slashpage