Il nuovo metodo NICE affronta la deriva di scala nelle spiegazioni delle reti neurali a grafo

Le spiegazioni per le Graph Neural Network (GNN) utilizzano tipicamente un approccio Perturb-Query, in cui le alterazioni degli input forniscono informazioni sul significato dei componenti del grafo in base ai cambiamenti nelle predizioni. Tuttavia, queste perturbazioni possono causare significativi cambiamenti nella distribuzione, compromettendo l'affidabilità delle spiegazioni derivate dalle predizioni. Le soluzioni precedenti si sono concentrate sul perfezionamento dei grafi perturbati o sulla stabilizzazione degli output del modello. L'ultimo studio rivaluta il processo di perturbazione stesso. I ricercatori rivelano che il Mascheramento Element-wise (EM) riduce i messaggi indotti dai bordi a quasi zero, provocando una contrazione di scala deterministica attraverso i layer di message-passing, un fenomeno chiamato Scale Drift. Per affrontare ciò, propongono la Corruzione del Rumore (NC), che introduce rumore a norma abbinata a ogni messaggio, mantenendo le caratteristiche di scala originali e fornendo spiegazioni significative. Questa ricerca, intitolata 'NICE: Perturbazioni a scala stabile per spiegazioni di Graph Neural Network tramite corruzione del rumore', è disponibile su arXiv con identificativo 2608.16038.