LogicXGNN: 最終サブグラフ説明のためのGrounded 論理的規則とグラフニューラルネットワークの解釈可能性

本文書は arXiv:2503.19476v4 です。 摘要: 既存のグラフニューラルネットワーク（GNN）ための規則ベースの説明は、グローバルな解釈可能性を提供しますが、中間の解釈不能な概念空間で最適化・評価を行うことが多く、最終的なサブグラフ説明におけるエンドユーザーへの「Grounding（根付け）」品質を見落としがちです。このギャップは、実運用では信頼性が疑問視されるかもしれないが、表面上では忠実に見える説明を生み出します。これに対応して、GNN のメッセージ伝達構造を明確に捉えるために設計された信頼性の高い述語上で論理的規則を構築する、post-hoc フレームワークである LogicXGNN を提案しました。これにより、効果的な根付けを確保します。さらに、最終グラフ形式における説明を評価する現実的な指標であるデータに基づく忠実性指標（$\textit{Fid}_{\mathcal{D}}$）を導入し、また覆盖率と有効性などの補完的な有用性指標も追加しました。広範な実験の結果、LogicXGNN は最先进の手法と比較して平均で 20% 以上 $\textit{Fid}_{\mathcal{D}}$ を向上させ、かつ 10〜100 倍高速です。高い拡張性と有用性性能を備えた LogicXGNN は、モデルの論理に忠実であり、観察可能なデータに根付けられた信頼性の高い説明を生成します。ソースコードは https://github.com/allengeng123/LogicXGNN/ で入手可能です。

arXiv:2503.19476v4 Announce Type: replace Abstract: Existing rule-based explanations for Graph Neural Networks (GNNs) provide global interpretability but often optimize and assess fidelity in an intermediate, uninterpretable concept space, overlooking grounding quality for end users in the final subgraph explanations. This gap yields explanations that may appear faithful yet be unreliable in practice. To this end, we propose LogicXGNN, a post-hoc framework that constructs logical rules over reliable predicates explicitly designed to capture the GNN's message-passing structure, thereby ensuring effective grounding. We further introduce data-grounded fidelity ($\textit{Fid}_{\mathcal{D}}$), a realistic metric that evaluates explanations in their final-graph form, along with complementary utility metrics such as coverage and validity. Across extensive experiments, LogicXGNN improves $\textit{Fid}_{\mathcal{D}}$ by over 20% on average relative to state-of-the-art methods while being 10-100 $\times$ faster. With strong scalability and utility performance, LogicXGNN produces explanations that are faithful to the model's logic and reliably grounded in observable data. Our code is available at https://github.com/allengeng123/LogicXGNN/.