論文の概要: GraphSVX: Shapley Value Explanations for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2104.10482v1
• Date: Sun, 18 Apr 2021 10:40:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:20:58.576075
• Title: GraphSVX: Shapley Value Explanations for Graph Neural Networks
• Title（参考訳）: GraphSVX: グラフニューラルネットワークのためのShapley Value Explanations
• Authors: Alexandre Duval and Fragkiskos D. Malliaros
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 81.83769974301995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) achieve significant performance for various learning tasks on geometric data due to the incorporation of graph structure into the learning of node representations, which renders their comprehension challenging. In this paper, we first propose a unified framework satisfied by most existing GNN explainers. Then, we introduce GraphSVX, a post hoc local model-agnostic explanation method specifically designed for GNNs. GraphSVX is a decomposition technique that captures the "fair" contribution of each feature and node towards the explained prediction by constructing a surrogate model on a perturbed dataset. It extends to graphs and ultimately provides as explanation the Shapley Values from game theory. Experiments on real-world and synthetic datasets demonstrate that GraphSVX achieves state-of-the-art performance compared to baseline models while presenting core theoretical and human-centric properties.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,グラフ構造をノード表現の学習に組み込むことにより,幾何データに対する様々な学習タスクにおいて,その理解を困難にしている。 本稿では,既存のほとんどのGNN解説者が満足する統一フレームワークを提案する。 次に、GNN用に特別に設計された局所モデルに依存しないグラフSVXを紹介する。 graphsvxは、摂動データセット上のサロゲートモデルを構築することによって、説明された予測に対する各機能とノードの"フェア"な貢献をキャプチャする分解技術である。 グラフに拡張され、最終的にゲーム理論からシェープ値の説明として提供される。 実世界および合成データセットに関する実験は、graphsvxが基礎モデルと比較して最先端のパフォーマンスを達成し、コア理論的および人間中心的特性を示すことを証明している。

関連論文リスト

• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Evaluating Explainability for Graph Neural Networks [21.339111121529815]
  本稿では,様々なベンチマークデータセットを生成することができる合成グラフデータ生成器ShapeGGenを紹介する。 ShapeGGenといくつかの実世界のグラフデータセットを、オープンソースのグラフ説明可能性ライブラリであるGraphXAIに含めています。
  論文  参考訳（メタデータ） (2022-08-19T13:43:52Z)
• Taxonomy of Benchmarks in Graph Representation Learning [14.358071994798964]
  グラフニューラルネットワーク(GNN)は、その固有の幾何学を考慮し、ニューラルネットワークの成功をグラフ構造化データに拡張する。 現在、グラフ表現学習ベンチマークによって、与えられたモデルのどの側面が調査されているかはよく分かっていない。 本稿では,グラフの摂動によってGNNの性能がどれだけ変化するかに基づいて,$textitsensitivity profile$に従ってベンチマークデータセットを分類する手法を開発した。
  論文  参考訳（メタデータ） (2022-06-15T18:01:10Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• 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)
• Optimal Transport Graph Neural Networks [31.191844909335963]
  現在のグラフニューラルネットワーク(GNN)アーキテクチャは、集約グラフ表現に平均または総和ノードを埋め込む。 本稿では,パラメトリックプロトタイプを用いたグラフ埋め込み計算モデルOT-GNNを紹介する。
  論文  参考訳（メタデータ） (2020-06-08T14:57:39Z)
• Incomplete Graph Representation and Learning via Partial Graph Neural Networks [7.227805463462352]
  多くのアプリケーションでは、グラフノードの属性が部分的に未知/欠落している不完全な形式でグラフがやってくる可能性がある。 既存のGNNは、属性不完全なグラフデータを直接処理できない完全なグラフに基づいて設計されている。 本研究では,属性不完全グラフ表現と学習のための部分グラフニューラルネットワーク(PaGNN)を新たに開発した。
  論文  参考訳（メタデータ） (2020-03-23T08:29:59Z)
• 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。