이산 확산 기반 이기종 GNN 모델 레벨 설명기

초록

**
DiGNNExplainer는 이기종 그래프 신경망(HGNN)의 전역적 설명을 위해 이산 디노이징 확산 모델을 활용한다. 그래프 구조는 DiGress, 노드 특성은 TabDDPM을 이산 공간에 맞게 확장한 DiTabDDPM으로 합성한다. 생성된 그래프는 메타그래프 제약을 통과한 뒤, 각 클래스별로 GNN 예측 점수가 가장 높은 그래프를 선택해 설명으로 제공한다. 실험 결과, 기존 모델‑레벨 설명기보다 그래프·특성 분포가 실제 데이터와 더 가깝고, 예측·실제 신뢰도 점수에서도 우수함을 보였다.

**

상세 분석

**
본 논문은 이기종 그래프 신경망(HGNN)의 불투명성을 해소하고자, 모델‑레벨 설명을 생성하는 새로운 파이프라인을 제안한다. 핵심 아이디어는 두 단계의 이산 디노이징 확산 과정을 통해 ‘현실적인’ 그래프와 노드 특성을 동시에 합성한다는 점이다. 그래프 구조 생성에는 DiGress를 기반으로 여러 크기의 서브그래프를 학습시켜, 설명에 적합한 작은 규모(10~15노드)의 그래프를 효율적으로 샘플링한다. 이는 기존의 연속형 확산 모델이 갖는 연속값 제한을 넘어, 이산적인 노드 타입과 연결 관계를 정확히 보존한다는 장점이 있다.

노드 특성 생성에서는 기존 TabDDPM이 연속·이산 혼합 공간을 사용한 반면, 저자들은 이를 완전 이산 공간으로 전이시킨 DiTabDDPM을 설계하였다. 전방 확산 단계에서 DiGress와 동일한 코사인 스케줄러와 이산 마진 전이 행렬을 적용하고, 역방향에서는 MLP‑Block 기반 디노이징 네트워크가 각 시간 단계별 다항분포를 예측한다. 이렇게 얻어진 다중 클래스별 특성 생성기는 실제 데이터의 bag‑of‑words와 같은 이산형 피처를 높은 충실도로 재현한다.

생성된 그래프는 메타그래프(노드 타입 간 허용 관계)와 일치하는지 검증하고, 일치하지 않을 경우 폐기한다. 이후 훈련된 HGNN에 각 그래프를 입력해 클래스별 softmax 점수를 얻고, 해당 클래스에서 가장 높은 점수를 받은 그래프를 최종 설명으로 선정한다. 이 과정은 모델‑레벨 설명이므로, 개별 예측을 위한 서브그래프를 찾는 인스턴스‑레벨 방법보다 전체 모델의 의사결정 경향을 포괄적으로 파악할 수 있다.

평가에서는 그래프 구조 통계(노드 차수, 클러스터링 계수, 스펙트럼)와 MMD를 이용해 생성 그래프의 현실성을 측정했으며, 예측 신뢰도와 실제 커뮤니티와의 일치도를 나타내는 ‘ground‑truth faithfulness’를 도입했다. 실험 결과, DiGNNExplainer는 XGNN, GNNInterpreter, D4Explainer 등 기존 모델‑레벨 설명기 대비 모든 지표에서 우수했으며, 특히 이산 노드 특성을 포함한 설명을 제공한다는 점에서 차별성을 보였다.

하지만 몇 가지 한계도 존재한다. 첫째, 여러 크기의 DiGress 모델을 별도로 학습해야 하므로 계산 비용이 크게 증가한다. 둘째, 서브그래프 샘플링이 설명 그래프의 크기와 형태에 영향을 미치므로, 최적의 샘플링 전략이 데이터마다 달라질 가능성이 있다. 셋째, 현재는 이산형 피처에 초점을 맞추었으므로 연속형 혹은 복합형 피처가 혼합된 실제 그래프에 대한 적용 가능성은 추가 연구가 필요하다. 넷째, 설명 그래프가 인간에게 직관적으로 이해되기 위해서는 시각화 및 도메인 지식과의 연계가 필수적인데, 논문에서는 정량적 평가에 치중하고 있어 정성적 해석 부분이 다소 부족하다.

종합하면, DiGNNExplainer는 이산 확산 모델을 활용해 이기종 그래프와 실제 노드 특성을 동시에 재현함으로써, 기존 방법이 제공하지 못한 현실적이고 신뢰성 높은 모델‑레벨 설명을 가능하게 한다. 향후 확장성을 높이고 다양한 피처 타입을 포괄하는 방향으로 연구가 진행된다면, 고위험 분야에서의 GNN 투명성 확보에 큰 기여를 할 것으로 기대된다.

**