윤예진, 임재성, 김지혜 학생의 CIKM 2026 논문 게재

Context-Aware Subgraph Explanations for Multi-Task GNNs 논문이 CIKM 2026에 게제되었습니다.
본 연구에서는 다중 작업(Multi-task) 분자 GNN의 예측 결과를 설명하기 위한 새로운 방법인 CAMIE를 제안하였습니다. 기존 GNN 설명 방법은 주로 개별 작업을 중심으로 중요한 부분그래프를 탐색하기 때문에, 동일한 분자라도 예측 대상인 생물학적 특성(Assay)에 따라 중요한 부분구조(Motif)가 달라질 수 있다는 점을 충분히 반영하지 못하였습니다. 이를 해결하기 위해 본 연구에서는 분자의 구조적 정보와 Assay의 의미적 정보를 함께 활용하여 작업별 Motif 중요도를 추정하는 방법을 제안합니다.

특히 사전 학습된 GNN에서 특정 Motif를 제거했을 때 발생하는 예측값의 변화를 지식 증류(Knowledge Distillation) 방식으로 학습함으로써, 별도의 설명 정답 없이도 하나의 공유 모델을 통해 여러 작업의 설명 정보를 학습할 수 있도록 하였습니다. ToxCast 데이터에 대한 실험에서는 기존 설명 방법보다 높은 설명 충실도(Faithfulness)를 보였으며, 특히 학습 데이터가 부족한 작업에서 효과적인 것으로 나타났습니다. 이를 통해 다중 작업 GNN에서 작업 간 정보를 공유하면서도 각 작업의 특성을 반영한 설명을 제공할 수 있음을 확인하였습니다.