연구진이 그래프 신경망(GNN)의 설명 가능성을 높이는 APEX 프레임워크를 개발했어요. APEX는 GNN 아키텍처와 설명 기법을 공동 설계하여 Aumann-Shapley 속정을 정확하게 계산할 수 있도록 합니다. PolyGIN이라는 새로운 GIN 스타일 그래프 네트워크를 활용해 모델 점수를 다항식 형태로 유지하고, Gauss--Legendre quadrature를 통해 설명 경로 적분을 정확하게 평가합니다.
APEX 프레임워크는 기존 방식 대비 더 높은 설명 정확도를 달성하고, 경로 적분을 위한 평가 횟수를 크게 줄여줍니다. PolyGIN은 예측 성능을 유지하면서도 설명 가능성을 높여, 기능 수준과 노드 수준 모두에서 설명이 가능합니다. 실험 결과, 합성 및 실제 그래프 벤치마크에서 기존 방식보다 뛰어난 성능을 보였습니다.
APEX 프레임워크의 핵심은 PolyGIN으로, 다항식 형태를 유지하는 메시지 전달, 정규화, 변환 연산을 사용합니다. 이를 통해 모델 점수의 미분은 최대 $2^L-1$ 차수를 가지며, Gauss--Legendre quadrature를 통해 정확한 Aumann--Shapley 경로 적분 평가가 가능합니다.