Resumo Técnico: Explicando Redes Neurais de Grafos para Similaridade de Nós em Grafos

Definição do Problema

O artigo aborda uma lacuna crítica na explicabilidade das Redes Neurais de Grafos (GNNs). Embora exista pesquisa extensa sobre a explicação de GNNs para tarefas supervisionadas (por exemplo, classificação de nós, previsão de links), o problema de explicar a similaridade de nós em configurações não supervisionadas permanece amplamente não abordado. Em muitas aplicações, como redes de citação ou grafos de conhecimento, as GNNs são treinadas para aprender incorporações de nós onde a similaridade é computada por meio de métricas como a similaridade do cosseno. Diferentemente de rótulos de classificação discretos, a similaridade é uma quantidade contínua, e os protocolos de avaliação existentes para explicabilidade não se aplicam diretamente. Os autores investigam como atribuir valores às arestas em um grafo para explicar por que dois nós específicos possuem uma pontuação de similaridade alta ou baixa, distinguindo isso de tarefas onde o objetivo é justificar uma previsão discreta.

Metodologia

Framework e Critérios

Os autores propõem um framework para avaliar explicações de similaridade de nós com base em três critérios derivados de princípios gerais de IA Explicável (XAI):

1. Acionabilidade: Uma explicação deve permitir intervenções (por exemplo, adicionar ou remover arestas) que resultem em uma mudança previsível na pontuação de similaridade.
2. Consistência: O efeito de manter arestas acima de um limiar de explicação deve ser distinto do efeito de descartá-las (ou seja, manter arestas abaixo do limiar). Os dois conjuntos de arestas não devem produzir efeitos sobrepostos ou indistinguíveis na pontuação.
3. Esparsidade: Uma explicação deve ser comprimível; um pequeno subconjunto das arestas mais relevantes deve reter a maioria do efeito explicativo observado no conjunto completo.

Métricas Baseadas em Intervenção

Para operacionalizar esses critérios, os autores introduzem métricas independentes do modelo e baseadas em intervenção:

• Fidelidade ($Fid$): Mede a mudança na pontuação de similaridade após intervir no grafo com base na explicação. Especificamente, eles computam $Fid_a$ (mudança ao manter arestas acima de um limiar) e $Fid_b$ (mudança ao manter arestas abaixo do limiar).
• Sobreposição de Efeito (EO): Uma métrica de similaridade de Jaccard generalizada que quantifica a sobreposição entre os sinais dos valores de fidelidade para as duas intervenções. Um EO baixo indica que as duas intervenções têm efeitos distintos e complementares (por exemplo, uma aumenta a similaridade, a outra diminui), satisfazendo o critério de consistência.
• Avaliação de Esparsidade: Os autores simulam níveis crescentes de esparsidade removendo as arestas menos relevantes das máscaras de explicação e reavaliando a fidelidade e o EO. Uma explicação robusta mantém suas propriedades acionáveis e consistentes mesmo à medida que o número de arestas é reduzido.

Configuração Experimental

O estudo avalia duas famílias de métodos de explicação:

1. Métodos de Informação Mútua (MI): Especificamente, o GNNExplainer, que busca um subgrafo maximizando a informação mútua com a previsão.
2. Métodos Baseados em Gradiente (GB): Cálculo direto do gradiente em relação à matriz de adjacência e Gradientes Integrados.

Esses métodos são aplicados a incorporações de nós geradas por quatro algoritmos de aprendizado não supervisionado: Autoencoders de Grafos (GAE), Autoencoders Variacionais de Grafos (VGAE), Deep Graph Infomax (DGI) e Aprendizado de Representação Contrastiva de Grafos (GRACE). Os experimentos são conduzidos em seis conjuntos de dados: redes de citação (Cora, Citeseer, Pubmed), grafos heterofílicos (Chameleon, Squirrel, Actor) e um grafo de conhecimento (DBpedia50k).

Resultados Principais

Os experimentos produzem três achados principais sobre o desempenho dos métodos GB versus MI no contexto da similaridade de nós:

1. Acionabilidade: As explicações baseadas em gradiente são consistentemente acionáveis. Intervenções baseadas em explicações GB (manter arestas acima do limiar) aumentam previsivelmente a pontuação de similaridade, enquanto intervenções baseadas em arestas abaixo do limiar diminuem previsivelmente a pontuação. Em contraste, o GNNExplainer (MI) mostra comportamento inconsistente; o efeito de manter arestas de alto valor frequentemente depende do modelo de incorporação específico e do conjunto de dados, falhando em produzir uma direção previsível de mudança em todos os cenários.
2. Consistência: Os métodos GB alcançam pontuações de Sobreposição de Efeito (EO) significativamente mais baixas (frequentemente próximas de 0 ou < 0,1) em comparação com os métodos MI (frequentemente > 0,4 ou > 0,5). Isso indica que as explicações GB distinguem claramente entre arestas que aumentam a similaridade e aquelas que a diminuem. As explicações MI frequentemente resultam em efeitos sobrepostos onde tanto arestas de alto quanto de baixo valor produzem mudanças semelhantes na pontuação, falhando no critério de consistência.
3. Esparsidade: As propriedades acionáveis e consistentes das explicações GB são preservadas mesmo quando a explicação é podada para reter apenas as 10% principais das arestas (90% de esparsidade). Isso sugere que as explicações GB podem ser simplificadas significativamente sem perder seu poder explicativo, ao passo que as explicações MI não exibem essa robustez.

Os autores também observam que, embora os métodos MI às vezes mostrem EO mais baixo em casos específicos (por exemplo, DGI com GraphSAGE), isso é frequentemente devido a efeitos próximos de zero (baixa acionabilidade) e não a uma verdadeira consistência. Em tais regimes, a falta de impacto significativo na pontuação torna a separação baseada em sinais difícil para qualquer explicador.

Significado e Alegações

O artigo alega ser o primeiro a definir e avaliar formalmente o problema de explicar a similaridade de nós em GNNs. Seu significado reside em:

• Preenchendo uma Lacuna: Move-se além do foco dominante em tarefas supervisionadas para abordar a explicabilidade de pontuações de similaridade contínuas e não supervisionadas.
• Framework de Avaliação: Fornece um conjunto de métricas quantitativas baseadas em intervenção (Fidelidade, EO, Esparsidade) que são necessárias para avaliar a qualidade das explicações de similaridade, as quais métricas padrão baseadas em classificação não conseguem capturar.
• Insight Metodológico: Os resultados demonstram que os métodos baseados em gradiente são superiores aos métodos baseados em informação mútua para esta tarefa específica. Os métodos GB fornecem explicações que não são apenas acionáveis e consistentes, mas também esparsas, oferecendo uma ferramenta mais prática e interpretável para entender por que os nós são similares.
• Generalizabilidade: As métricas propostas são independentes do modelo e aplicáveis a qualquer função de similaridade definida sobre incorporações de nós (por exemplo, distância euclidiana), oferecendo uma base para o desenvolvimento futuro de sistemas de busca por similaridade explicável.

Os autores concluem que, embora o custo computacional seja um fator (os métodos GB são geralmente mais eficientes do que a otimização iterativa exigida pelos métodos MI), a principal vantagem dos métodos GB neste cenário é sua capacidade de fornecer explicações confiáveis, direcionais e esparsas para a similaridade de nós.