그래프 신경망(Graph Neural Networks, GNNs)은 그래프 구조 데이터를 분석하는 데 크게 기여해 왔으나, 설명가능성은 여전히 어려운 과제로 남아 의학 및 약학과 같은 핵심 분야에서의 적용성을 저해하고 있다. 특히 서브그래프 구조를 위반하는 경우, 모델의 해석 가능성과 일반화 성능이 저하될 수 있다. 이러한 문제를 해결하기 위해, 우리는 계층적이며 설명가능한 인과 추론 기반 GNN을 제안한다. 우리의 모델은 사전 지식에 기반한 설명가능한 서브그래프 단위로부터 피처를 선택한다. 제안된 방법은 BRICS 알고리즘을 통해 분자를 기능 그룹으로 클러스터링한 다음, 노드 수준과 모티프 수준 모두에서 계층 구조를 구축하는 것으로 시작한다. 제안된 모델은 모티프 수준에서 인과적 피처를 추출(distill)하는 게이트 모듈을 사용하며, 비인과적 피처로부터 목표 수준으로의 정보 흐름을 단절(disconnect)하는 손실 함수를 적용한다. 실제 분자 그래프에 대한 분류 결과는 본 모델이 다른 인과 추론 기반 GNN 모델들보다 성능이 우수함을 보여준다. 또한 분자 도킹 데이터를 활용하는 것이, 제안된 모델에서 진정한 인과적 서브구조를 효과적으로 식별한다는 점을 확인하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.