Graph Neural Network models can be used to quickly analyze interactions between multiple data expressed in a graph structure, with high accuracy. Previous studies accurately extract subgraphs which have a significant influence on the whole graph, providing accurate explanations for predictions of GNN. We noted that explanation components could help improve classification performance as unique representations of each class. Therefore, we suggest the GNN performance can be further improved by using explanation components. In this paper, we propose an Explanation-Based Graph Neural Networks (EBGNN) that utilizes contrastive learning at the instance level, by applying explanation components. In EBGNN, the explanation components ensure similarity for instances within the same class, and promote separability for instances in different classes. Finally, we conducted an evaluation on five benchmark datasets (MUTAG, IMDB-BINARY, PROTEINS, NCI1, and DD). Our experiment showed a significant increase in graph classification performance compared to state-of-the-art methods.
그래프 신경망 모델을 사용하여 그래프 구조로 표현된 여러 데이터 간의 상호 작용을 높은 정확도로 신속하게 분석할 수 있다. 이전 연구는 전체 그래프에 큰 영향을 미치는 하위 그래프를 정확하게 추출하여 GNN의 예측에 대한 정확한 설명을 제공한다. 우리는 설명 구성요소가 각 클래스의 고유한 표현으로써 분류 성능을 향상시키는 데 도움이 될 수 있다는 점에 주목했다. 따라서, 우리는 설명 구성요소를 사용하여 GNN 성능을 더욱 향상시킬 수 있는 방법을 제안한다. 본 논문에서는 설명 구성요소를 적용하여 인스턴스 수준에서 대조 학습을 활용하는 설명 기반 그래프 신경망을 제안한다. 본 모델에서 설명 구성요소는 동일한 클래스 내의 인스턴스에 대한 유사성을 보장하고 다른 클래스의 인스턴스에 대한 분리성을 향상시킨다. 우리는 5개의 벤치마크 데이터 세트(MUTAG, IMDB-BINY, PROTEINS, NCI1, DD)에 대한 평가를 수행했다. 본 실험은 최신 방식들과 비교해 그래프 분류 성능이 크게 향상되었음을 보여주었다.
