論文の概要: On Explainability of Graph Neural Networks via Subgraph Explorations

• arxiv url: http://arxiv.org/abs/2102.05152v1
• Date: Tue, 9 Feb 2021 22:12:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-11 14:49:01.865804
• Title: On Explainability of Graph Neural Networks via Subgraph Explorations
• Title（参考訳）: サブグラフ探索によるグラフニューラルネットワークの解法について
• Authors: Hao Yuan, Haiyang Yu, Jie Wang, Kang Li, Shuiwang Ji
• Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)を説明するための新しい手法,SubgraphXを提案する。 我々の研究は,GNNのサブグラフを明示的に識別する最初の試みである。
• 参考スコア（独自算出の注目度）: 48.56936527708657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of explaining the predictions of graph neural networks (GNNs), which otherwise are considered as black boxes. Existing methods invariably focus on explaining the importance of graph nodes or edges but ignore the substructures of graphs, which are more intuitive and human-intelligible. In this work, we propose a novel method, known as SubgraphX, to explain GNNs by identifying important subgraphs. Given a trained GNN model and an input graph, our SubgraphX explains its predictions by efficiently exploring different subgraphs with Monte Carlo tree search. To make the tree search more effective, we propose to use Shapley values as a measure of subgraph importance, which can also capture the interactions among different subgraphs. To expedite computations, we propose efficient approximation schemes to compute Shapley values for graph data. Our work represents the first attempt to explain GNNs via identifying subgraphs explicitly. Experimental results show that our SubgraphX achieves significantly improved explanations, while keeping computations at a reasonable level.
• Abstract（参考訳）: 本稿では,グラフニューラルネットワーク (GNN) の予測をブラックボックスとみなす問題について考察する。 既存の方法は、グラフノードやエッジの重要性を説明することに集中するが、グラフのサブ構造は無視する。 本研究では,重要な部分グラフを識別してGNNを説明する手法としてSubgraphXを提案する。 訓練されたGNNモデルと入力グラフから,我々はモンテカルロ木探索を用いて,異なる部分グラフを効率的に探索することで,その予測を説明する。 木探索をより効果的にするために,各サブグラフ間の相互作用を捉えることが可能なサブグラフ重要度尺度としてShapley値を用いることを提案する。 グラフデータのシャプリー値を計算するための効率的な近似スキームを提案する。 我々の研究は,GNNのサブグラフを明示的に識別する最初の試みである。 実験の結果, 計算を合理的なレベルに保ちながら, サブグラフが大幅に改良された説明が得られた。

関連論文リスト

• Stochastic Subgraph Neighborhood Pooling for Subgraph Classification [2.1270496914042996]
  Subgraph Neighborhood Pooling (SSNP) は、ラベル付けトリックのような計算コストの高い操作をすることなく、サブグラフとその周辺情報を共同で集約する。 実験により、我々のモデルは、トレーニングにおいて最大3倍高速でありながら、最先端の手法(マージンが最大2%)より優れています。
  論文  参考訳（メタデータ） (2023-04-17T18:49:18Z)
• Efficiently Counting Substructures by Subgraph GNNs without Running GNN on Subgraphs [19.672271500059832]
  サブグラフGNNを使用する一般的な方法は、入力グラフをサブグラフのコレクションに分解することである。 サブグラフGNNは複雑なサブ構造を数えることができるが、高い計算とメモリコストに悩まされている。 提案モデルでは,GNNを桁違いに高速に動作させながら,GNNのカウント能力を維持することができることを示す。
  論文  参考訳（メタデータ） (2023-03-19T05:35:59Z)
• Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
  グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。 我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
  論文  参考訳（メタデータ） (2022-10-27T16:00:45Z)
• FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
  グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。 本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。 提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-21T07:58:03Z)
• MotifExplainer: a Motif-based Graph Neural Network Explainer [19.64574177805823]
  本稿では,グラフにおける重要なモチーフ,繰り返し,統計的に重要なパターンを同定し,グラフニューラルネットワーク(GNN)を説明する新しい手法を提案する。 提案手法は,ノード,エッジ,正規部分グラフに基づく手法よりも,人間に理解可能な説明を提供する。
  論文  参考訳（メタデータ） (2022-02-01T16:11:21Z)
• GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
  グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。 本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
  論文  参考訳（メタデータ） (2021-04-18T10:40:37Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
  グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。 我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
  論文  参考訳（メタデータ） (2020-06-03T23:52:43Z)
• GraphLIME: Local Interpretable Model Explanations for Graph Neural Networks [45.824642013383944]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データを効果的に表現することに成功した。 本稿では,Hilbert-Schmidt Independence Criterion (HSIC) Lasso を用いたグラフの局所的解釈可能なモデル記述法 GraphLIME を提案する。
  論文  参考訳（メタデータ） (2020-01-17T09:50:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。