Un framework basato sulla logica estrae regole logiche globali da spiegazioni abduttive per la classificazione dei nodi nelle SGC

Un nuovo framework fondato sulla logica mira a migliorare l'interpretabilità delle reti neurali a grafo (GNN) specificamente per la classificazione dei nodi, generando regole logiche globali da spiegazioni abduttive minime. Questa ricerca, disponibile come preprint arXiv:2608.17103, si concentra sulle reti a convoluzione su grafo semplice (SGC), un tipo semplificato di GNN. Il metodo identifica per ciascun nodo una collezione minima di coppie nodo-caratteristica sufficiente a mantenere la classe prevista. Queste spiegazioni fungono da intermediario per l'addestramento di alberi decisionali, facilitando l'estrazione di regole logiche globali. Questo approccio supera i limiti degli attuali explainer basati sulla logica come LogicXGNN, che spesso si affidano a informazioni strutturali ridondanti provenienti da sottografi esplicativi. Lo studio include esperimenti su dataset benchmark, sebbene i risultati specifici non siano divulgati. Questo lavoro contribuisce al crescente dominio dell'intelligenza artificiale interpretabile, cercando di chiarire le previsioni delle GNN.