論文の概要: Generative Causal Explanations for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2104.06643v1
• Date: Wed, 14 Apr 2021 06:22:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 22:11:10.891013
• Title: Generative Causal Explanations for Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークのための生成因果説明
• Authors: Wanyu Lin and Hao Lan and Baochun Li
• Abstract要約: Gemは、さまざまなグラフ学習タスクで任意のGNNに対して解釈可能な説明を提供するモデルに依存しないアプローチです。 説明精度の相対的な向上を最大30%$で達成し、その最先端の代替品と比較して、説明プロセスを最大$ 10times $でスピードアップします。
• 参考スコア（独自算出の注目度）: 39.60333255875979
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents Gem, a model-agnostic approach for providing interpretable explanations for any GNNs on various graph learning tasks. Specifically, we formulate the problem of providing explanations for the decisions of GNNs as a causal learning task. Then we train a causal explanation model equipped with a loss function based on Granger causality. Different from existing explainers for GNNs, Gem explains GNNs on graph-structured data from a causal perspective. It has better generalization ability as it has no requirements on the internal structure of the GNNs or prior knowledge on the graph learning tasks. In addition, Gem, once trained, can be used to explain the target GNN very quickly. Our theoretical analysis shows that several recent explainers fall into a unified framework of additive feature attribution methods. Experimental results on synthetic and real-world datasets show that Gem achieves a relative increase of the explanation accuracy by up to $30\%$ and speeds up the explanation process by up to $110\times$ as compared to its state-of-the-art alternatives.
• Abstract（参考訳）: 本稿では,各種グラフ学習タスクにおけるGNNの解釈可能な説明を提供するモデルに依存しないGemを提案する。 具体的には,gnnの意思決定を因果学習タスクとして説明する問題を定式化する。 そして、グラガー因果関係に基づく損失関数を備えた因果説明モデルを訓練する。 GNNの既存の説明とは異なり、Gemは因果的な観点からグラフ構造化データについてGNNを説明する。 gnnの内部構造やグラフ学習タスクの事前知識に関する要件がないため、より一般化された機能を備えている。 さらに、一度トレーニングされたGemは、ターゲットのGNNを非常に高速に説明するために使用することができる。 理論的解析により,最近のいくつかの説明者が,特徴属性帰属法の統一的枠組みに陥っていることが示された。 合成データと実世界のデータセットに関する実験結果は、gemが説明精度を最大30\%$で向上させ、その最先端の代替品と比較して説明プロセスを最大110\times$で高速化することを示している。

関連論文リスト

• Explainable Graph Neural Networks Under Fire [69.15708723429307]
  グラフニューラルネットワーク(GNN)は通常、複雑な計算挙動とグラフの抽象的性質のために解釈性に欠ける。 ほとんどのGNN説明法は、ポストホックな方法で動作し、重要なエッジと/またはノードの小さなサブセットの形で説明を提供する。 本稿では,これらの説明が信頼できないことを実証する。GNNの一般的な説明手法は,敵対的摂動に強い影響を受けやすいことが判明した。
  論文  参考訳（メタデータ） (2024-06-10T16:09:16Z)
• Incorporating Retrieval-based Causal Learning with Information Bottlenecks for Interpretable Graph Neural Networks [12.892400744247565]
  我々は,検索に基づく因果学習をグラフ情報ボットネック(GIB)理論に組み込んだ,解釈可能な因果GNNフレームワークを開発した。 多様な説明型を持つ実世界の説明シナリオにおいて,32.71%の精度を達成する。
  論文  参考訳（メタデータ） (2024-02-07T09:57:39Z)
• GANExplainer: GAN-based Graph Neural Networks Explainer [5.641321839562139]
  グラフニューラルネットワーク(GNN)が、多くのアプリケーションにおいて、特定の予測を行う理由を説明することは重要である。 本稿では,GANアーキテクチャに基づくGANExplainerを提案する。 GANExplainerは、その代替案と比較して、説明精度を最大35%改善する。
  論文  参考訳（メタデータ） (2022-12-30T23:11:24Z)
• Toward Multiple Specialty Learners for Explaining GNNs via Online Knowledge Distillation [0.17842332554022688]
  グラフニューラルネットワーク(GNN)は、多くのアプリケーションやシステムにおいてますます普及し、それらの予測を説明する必要がある。 そこで我々はSCALEという新しいGNN説明フレームワークを提案する。 トレーニングにおいて、ブラックボックスGNNモデルは、オンライン知識蒸留パラダイムに基づいて学習者をガイドする。 具体的には、エッジマスキングと再起動手順によるランダムウォークを実行し、グラフレベルとノードレベルの予測の構造的説明を提供する。
  論文  参考訳（メタデータ） (2022-10-20T08:44:57Z)
• Explainability in subgraphs-enhanced Graph Neural Networks [12.526174412246107]
  グラフ強化グラフニューラルネットワーク(SGNN)は,GNNの表現力を高めるために導入された。 本稿では, GNN の最近の解説者の一つである PGExplainer を SGNN に適用する。 本稿では,グラフ分類タスクにおけるSGNNの決定過程を説明することに成功していることを示す。
  論文  参考訳（メタデータ） (2022-09-16T13:39:10Z)
• Task-Agnostic Graph Explanations [50.17442349253348]
  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エンコードする強力なツールとして登場した。 既存の学習ベースのGNN説明手法は、訓練においてタスク固有である。 本稿では、下流タスクの知識のない自己監督下で訓練されたタスク非依存のGNN Explainer(TAGE)を提案する。
  論文  参考訳（メタデータ） (2022-02-16T21:11:47Z)
• Jointly Attacking Graph Neural Network and its Explanations [50.231829335996814]
  グラフニューラルネットワーク(GNN)は多くのグラフ関連タスクのパフォーマンスを向上した。 近年の研究では、GNNは敵の攻撃に対して非常に脆弱であることが示されており、敵はグラフを変更することでGNNの予測を誤認することができる。 本稿では、GNNモデルとその説明の両方を同時に利用して攻撃できる新しい攻撃フレームワーク(GEAttack)を提案する。
  論文  参考訳（メタデータ） (2021-08-07T07:44:33Z)
• Parameterized Explainer for Graph Neural Network [49.79917262156429]
  グラフニューラルネットワーク(GNN)のためのパラメータ化説明器PGExplainerを提案する。 既存の研究と比較すると、PGExplainerはより優れた一般化能力を持ち、インダクティブな設定で容易に利用することができる。 合成データセットと実生活データセットの両方の実験では、グラフ分類の説明に関するAUCの相対的な改善が24.7%まで高い競争性能を示した。
  論文  参考訳（メタデータ） (2020-11-09T17:15:03Z)
• 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)

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。