ETD

• artificial intelligence
• deep graph networks
• deep learning
• explainable artificial intelligence
• graphs
• GXAI
• GXAI benchmarks

Deep Graph Networks (DGNs) have emerged as the most prominent methodology for processing graph-structured data, achieving remarkable performance on predictive tasks. However, DGNs' inductive biases, the set of assumptions that allow for generalising to unseen data, are obscured by many human-unintelligible parameters; thereby raising concerns about their reliability and compromising their adoption due to conflicts with regulatory frameworks, such as the EU AI Act. The field of Graph Explainable AI (GXAI) seeks to bridge this gap with graph explainers, techniques highlighting graph structures driving DGNs' predictions. Progress, however, is hindered by a lack of standardised evaluation protocols and challenging benchmarks. Consequently, achieving DGNs' explainability and constructing explainable and reliable DGN frameworks remain a non-trivial challenge, impeded by our limited grasp of DGN generalisation mechanics and the uncertainty regarding the efficacy of graph explainers in real-world scenarios. To address these impediments, this thesis operates at the intersection of Machine Learning for graph-structured data and GXAI by focusing on two primary objectives: characterising the inductive biases of DGNs and establishing a robust benchmarking ecosystem for graph explainers.

Le Deep Graph Network (DGN) si sono affermate come la metodologia preminente per l'elaborazione di dati strutturati a grafo, ottenendo prestazioni eccellenti nei task predittivi. Tuttavia, i bias induttivi delle DGN, le assunzioni che ne permettono la generalizzazione su dati non osservati, sono offuscati da parametri inintelligibili all'essere umano. Ciò solleva dubbi sulla loro affidabilità e ne ostacola l'adozione a causa di possibili conflitti con quadri normativi come l'EU AI Act.
La Graph Explainable AI (GXAI) mira a colmare questo divario tramite i graph explainer, tecniche che evidenziano le strutture del grafo responsabili delle predizioni delle DGN. I progressi in tale ambito, tuttavia, sono frenati dalla mancanza di protocolli di valutazione standardizzati e benchmark rigorosi.
Di conseguenza, garantire la spiegabilità delle DGN e costruire framework affidabili rimane una sfida complessa, ostacolata da una limitata comprensione delle meccaniche di generalizzazione di queste reti e dall'incertezza sull'efficacia dei graph explainer in contesti applicativi reali.
Per superare tali limitazioni, la presente tesi opera all'intersezione tra il Machine Learning per dati strutturati a grafo e la GXAI, ponendosi due obiettivi primari: caratterizzare i bias induttivi delle DGN e stabilire un robusto ecosistema di benchmarking per i graph explainer.