Le spiegazioni top-k delle GNN affrontano il problema della simmetria strutturale

Un recente studio pubblicato su arXiv (2607.26344) identifica una limitazione critica negli spiegatori basati su gradienti per le Graph Neural Networks (GNN). In molecole con due gruppi nitro equivalenti, qualsiasi automorfismo produce punteggi di attribuzione uguali. Tuttavia, i report top-k convenzionali selezionano arbitrariamente un gruppo basandosi puramente sull'ordine dell'array. Gli autori dimostrano che questo problema è strutturale e non un difetto di implementazione: quando nessuna spiegazione valida minima è determinata dal gruppo di automorfismi dell'input, è impossibile per qualsiasi regola essere minima, a valore singolo e rispettare la simmetria. Per i report exact-k comunemente usati, introducono un criterio senza parametri, implementato in Lean 4 senza dipendenze da assiomi, per stabilire se ogni report ottimale deve dividere un'orbita, in linea con i risultati di 21.298 decisioni istanza-budget.