소프트 마스크를 넘어: 강력한 GNN 설명 가능성을 위한 하드-퍼터베이션 믹스업 설명 방법

Beyond Soft Masks: Hard-Perturbation Mixup Explainer for Robust GNN Explainability

그래프 신경망(GNN)은 그래프 구조 데이터를 활용하는 다양한 응용 분야에서 뛰어난 성능을 보여주며, 특히 중요한 의사 결정 영역에서 두각을 나타냅니다. 그러나 GNN의 의사 결정 과정이 불투명하여 신뢰성과 광범위한 채택에 제한이 있습니다. 기존의 사후 설명 방법은 GNN 예측에 영향을 미치는 부분 그래프를 식별하고, 예측에 사용되는 부분 그래프로 인한 데이터 분포 편향 문제를 완화하기 위해 믹스업 전략을 적용하여 설명 가능성을 향상시키고자 합니다. 그러나 이러한 접근 방식은 일반적으로 '소프트 마스크'에 의존하는데, 이는 본질적으로 레이블과 관련 없는 정보를 완전히 제거하지 못하며, 불필요한 구조가 믹스업 과정으로 유출되어 데이터 분포 편향 문제를 해결하는 데 방해가 되고, 결과적으로 설명의 정확성을 저하시킵니다. 본 연구에서는 일반화된 그래프 정보 병목 현상을 기반으로 하는 '하드-퍼터베이션 믹스업 설명(HPME)' 프레임워크를 제안합니다. HPME는 그래프 풀링을 활용하여 이산적인 설명 부분 그래프를 추출하고, 레이블과 관련 없는 구성 요소를 철저하게 압축하기 위한 정보 용량 제한을 적용합니다. 또한, 구조 수준의 대체 방식을 기반으로 하는 새로운 믹스업 전략을 도입하여 데이터 분포 변화를 효과적으로 완화하는 '인-디스트리뷰션' 설명을 생성합니다. 다양한 작업에 대한 광범위한 실험 결과는 HPME가 합성 및 실제 데이터 세트 모두에서 강력하고 해석 가능한 설명을 생성하는 데 있어 최첨단 성능을 달성함을 보여줍니다.

Graph Neural Networks (GNNs) have demonstrated remarkable performance across a range of applications involving graph-structured data, particularly in high-stakes domains. However, the opaque nature of their decision-making processes limits their trustworthiness and broader adoption. Existing post-hoc explanation methods aim to improve explainability by identifying subgraphs that influence GNN predictions and adopt mixup strategies to alleviate the out-of-distribution (OOD) issue caused by using subgraphs for prediction. Yet, these approaches typically rely on soft masks, which are inherently unable to fully eliminate label-irrelevant information, allowing redundant structures to leak into the mixup process and hindering the resolution of the OOD problem, thereby degrading explanation fidelity. In this work, we propose HPME, a Hard-Perturbation Mixup Explanation framework grounded in a generalized Graph Information Bottleneck, which leverages graph pooling to extract discrete explanatory subgraphs and to yield an information-capacity bound to thoroughly compress label-irrelevant components. Furthermore, we introduce a novel mixup strategy built upon structure-level replacement, generating in-distribution explanations to effectively mitigate the distribution shift. Extensive experiments on diverse tasks demonstrate that HPME achieves state-of-the-art performance in generating robust and interpretable explanations across both synthetic and real-world datasets.