TACENR: 작업에 독립적인 대비 설명 기법을 이용한 노드 표현

TACENR: Task-Agnostic Contrastive Explanations for Node Representations

그래프 표현 학습은 그래프 구조 데이터를 잠재 벡터 공간으로 인코딩하여 다양한 하위 작업에 활용될 수 있도록 하는 데 상당한 성공을 거두었습니다. 그러나 이러한 노드 표현은 여전히 불투명하며 해석하기 어렵습니다. 기존의 설명 가능성 방법은 주로 지도 학습 환경에 초점을 맞추거나 개별 표현 차원을 설명하는 데 중점을 두며, 노드 표현의 전체 구조를 설명하는 데 중요한 격차가 존재합니다. 본 논문에서는 TACENR (Task-Agnostic Contrastive Explanations for Node Representations)이라는 로컬 설명 방법을 제안합니다. TACENR은 노드 표현 공간에서 가장 중요한 역할을 하는 속성 특징뿐만 아니라 근접성 및 구조적 특징까지 식별합니다. TACENR은 대비 학습을 기반으로 하며, 이를 통해 표현 공간에서 유사성 함수를 학습하여 노드 표현에서 중요한 역할을 하는 특징을 파악합니다. 본 연구는 작업에 독립적인 설명을 목표로 하지만, TACENR은 지도 학습 시나리오에도 적용될 수 있습니다. 실험 결과는 근접성 및 구조적 특징이 노드 표현을 형성하는 데 중요한 역할을 한다는 것을 보여주며, 우리의 지도 학습 변형은 기존의 작업별 접근 방식과 유사한 수준으로 가장 중요한 특징을 식별하는 데 효과적임을 입증합니다.

Graph representation learning has achieved notable success in encoding graph-structured data into latent vector spaces, enabling a wide range of downstream tasks. However, these node representations remain opaque and difficult to interpret. Existing explainability methods primarily focus on supervised settings or on explaining individual representation dimensions, leaving a critical gap in explaining the overall structure of node representations. In this paper, we propose TACENR (Task-Agnostic Contrastive Explanations for Node Representations), a local explanation method that identifies not only attribute features but also proximity and structural ones that contribute the most in the representation space. TACENR builds on contrastive learning, through which we learn a similarity function in the representation space, revealing which are the features that play an important role in the representation of a node. While our focus is on task-agnostic explanations, TACENR can be applied to supervised scenarios as well. Experimental results demonstrate that proximity and structural features play a significant role in shaping node representations and that our supervised variant performs comparably to existing task-specific approaches in identifying the most impactful features.