LogicXGNN: 그래프 신경망을 위한 근거 있는 논리 규칙 설명

초록

LogicXGNN은 GNN의 메시지‑패싱 구조를 직접 반영한 신뢰할 수 있는 프레디케이트 위에 논리 규칙을 구축한다. 데이터‑기반 충실도(Fid_D)를 최종 서브그래프 수준에서 평가함으로써 기존 방법이 보이는 개념‑공간 충실도와 실제 설명 간의 괴리를 해소한다. 실험에서 평균 20 % 이상의 Fid_D 향상과 10‑100배 빠른 추론 속도를 달성했으며, 코드가 공개되어 재현 가능성을 확보한다.

상세 분석

본 논문은 GNN 설명 연구에서 “개념‑공간 충실도”와 “최종 서브그래프의 근거성” 사이의 불일치를 정확히 짚어낸다. 기존의 규칙 기반 방법들은 WL‑해시 혹은 클러스터링 등으로 추출한 추상 개념에 논리식을 최적화하고, 이후에 이 개념을 대표 서브그래프로 매핑한다. 그러나 매핑 단계에서 노드 속성·구조가 일치하지 않아 실제 데이터와 동떨어진 설명이 생성되는 경우가 빈번했다. LogicXGNN은 이 문제를 두 가지 핵심 설계로 해결한다. 첫째, 프레디케이트를 “구조 패턴”(WL 해시를 이용한 L‑hop 이웃 서브그래프)과 “임베딩 패턴”(최종 레이어 임베딩의 선택적 차원에 대한 이진 임계값)으로 정의한다. 구조 패턴은 메시지‑패싱이 실제로 작동하는 토폴로지를 그대로 포착하고, 임베딩 패턴은 모델이 학습한 중요한 특징을 정량화한다. 둘째, 이러한 프레디케이트를 기반으로 만든 이진 매트릭스 Φ를 기존의 결정트리 혹은 심볼릭 회귀에 입력해 DNF 형태의 전역 논리식 ϕ_M을 추출한다. 여기서 결정트리의 깊이를 조절함으로써 설명 복잡도를 제어한다. 중요한 점은 ϕ_M을 직접 입력 공간 X에 grounding하는 과정이다. 각 프레디케이트에 대해 다수의 대표 서브그래프와 구조‑인식 입력 Z를 생성함으로써, 단일 서브그래프가 아닌 일반화된 “grounding rule”을 제공한다. 이 설계는 (i) 다양한 실제 서브그래프를 제공해 설명의 대표성을 높이고, (ii) 연속형 특성을 가진 데이터에서도 의미 있는 매핑을 가능하게 한다. 실험에서는 Mutagenicity, REDDIT‑BINARY, ogbg‑molhiv 등 여러 벤치마크에 대해 기존 GraphTrail, GNNExplainer 등과 비교했으며, Fid_D 평균 20 % 이상 향상, 커버리지·유효성·안정성 지표에서도 우위를 보였다. 또한, 프레디케이트 추출과 규칙 학습이 O(|V|·L) 시간에 수행돼 대규모 그래프(수십만 노드)에서도 10‑100배 빠른 실행 시간을 기록했다. 한계점으로는 프레디케이트 설계가 GNN의 레이어 수 L에 크게 의존한다는 점과, WL 해시가 노드·엣지 속성을 무시하기 때문에 속성 기반 패턴을 포착하기 어려운 경우가 있다. 향후 연구에서는 속성‑통합 해시와 다중‑레벨 프레디케이트 조합을 통해 이러한 제약을 완화하고, 비지도 환경에서도 자동으로 프레디케이트를 학습하는 방법을 탐색할 여지가 있다.