메타패스 주의가 설명이 될까

초록

본 논문은 메타패스 기반 이종 그래프 신경망(HeteroGNN)에서 사용되는 메타패스 주의(attention)가 실제 메타패스 중요도를 반영하는지 여부를 실증적으로 검증한다. 이를 위해 기존 동질 그래프 설명기들을 메타패스 뷰에 맞게 변형한 MetaXplain 프로토콜을 제안하고, MP‑AEA라는 정량적 정렬 지표를 도입해 주의와 설명 간의 순위 상관관계를 측정한다. 실험 결과, 데이터셋·모델에 따라 주의와 중요도가 일치하는 경우와 크게 탈동조되는 경우가 모두 존재함을 확인한다.

상세 분석

이 논문은 메타패스 기반 이종 그래프 신경망, 특히 HAN과 HAN‑GCN에서 메타패스 수준의 주의 가중치가 의미론적 중요도를 설명하는지에 대한 근본적인 의문을 제기한다. 기존의 주의 기반 해석이 NLP와 동질 그래프 분야에서 신뢰성이 떨어진다는 연구들을 인용하면서, 이종 그래프에서는 메타패스라는 추가적인 의미론적 차원이 존재함을 강조한다. 주요 기여는 세 가지로 요약된다. 첫째, 메타패스 뷰를 그대로 유지하면서 기존 동질 그래프 설명기(Grad, GNNExplainer, PGM‑Explainer, GraphSVX, GNNShap 등)를 적용할 수 있도록 하는 MetaXplain 프로토콜을 설계하였다. 이 프로토콜은 (i) 뷰‑팩터화된 설명 객체, (ii) 스키마에 맞는 채널‑별 교란, (iii) 융합‑인식 귀속이라는 세 가지 일관성 조건을 강제한다. 둘째, 메타패스 주의와 설명 기반 메타패스 기여 점수 간의 순위 상관관계를 측정하는 MP‑AEA 지표를 도입했다. 이는 무작위 초기화와 여러 실행에 걸쳐 평균 상관계수를 계산함으로써 주의의 재현성과 신뢰성을 정량화한다. 셋째, 설명에 기반한 서브그래프를 이용해 모델을 재학습함으로써 ‘설명‑노이즈 감소’ 현상을 실증하였다. 실험에서는 ACM, DBLP, IMDB 세 개의 이종 네트워크와 두 종류의 백본(HAN, HAN‑GCN)을 사용했으며, xPath 및 타입‑매치 랜덤 베이스라인과 비교하였다. 결과는 다음과 같다. (1) MetaXplain을 적용한 설명기들은 대부분 랜덤 대비 높은 Faithfulness 점수를 기록했으며, 특히 그래디언트 기반 방법이 안정적인 성능을 보였다. (2) MP‑AEA는 데이터셋에 따라 높은 정렬(ρ≈0.7)에서 낮은 정렬(ρ≈0.2)까지 폭넓은 변동을 보였으며, HAN‑GCN에서는 주의와 설명이 더 일치하는 경향이 있었다. (3) 설명 기반 서브그래프에서 재학습한 모델은 원본과 동등하거나, 특히 노이즈가 많은 메타패스(예: ACM의 ‘Author‑Paper‑Venue’)를 제거했을 때 성능이 약 2‑3% 향상되었다. 이러한 발견은 메타패스 주의가 언제 설명으로 활용될 수 있는지, 언제 오히려 오해를 낳을 수 있는지를 명확히 구분해준다. 논문은 또한 메타패스 수준의 설명이 모델 해석뿐 아니라 데이터 정제와 모델 경량화에도 활용될 수 있음을 시사한다.