Fugu-MT 論文翻訳(概要): Reimagining GNN Explanations with ideas from Tabular Data

論文の概要: Reimagining GNN Explanations with ideas from Tabular Data

arxiv url: http://arxiv.org/abs/2106.12665v1
Date: Wed, 23 Jun 2021 21:48:35 GMT
ステータス: 処理完了
システム内更新日: 2021-06-25 15:19:13.574285
Title: Reimagining GNN Explanations with ideas from Tabular Data
Title（参考訳）: タブラルデータからのアイデアによるGNN説明の再検討
Authors: Anjali Singh, Shamanth R Nayak K, Balaji Ganesan
Abstract要約: グラフニューラルネットワークの説明可能性技術は、ニューラルネットワークと決定木ベースのモデルで利用可能な説明と比較して、まだ長い道のりがある。我々は、GNNモデル説明に欠けている説明可能性の重要な側面についてコメントする。
参考スコア（独自算出の注目度）: 0.6629765271909505
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Explainability techniques for Graph Neural Networks still have a long way to go compared to explanations available for both neural and decision decision tree-based models trained on tabular data. Using a task that straddles both graphs and tabular data, namely Entity Matching, we comment on key aspects of explainability that are missing in GNN model explanations.
Abstract（参考訳）: グラフニューラルネットワークの説明可能性技術は、グラフデータに基づいてトレーニングされたニューラルネットワークと決定木ベースのモデルの両方で利用可能な説明と比較して、まだ長い道のりがある。グラフと表データの両方にまたがるタスク、すなわちEntity Matchingを使って、GNNモデル説明に欠けている説明可能性の重要な側面についてコメントする。

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)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
論文参考訳（メタデータ） (2023-01-07T05:14:45Z)
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)
Explainability in Graph Neural Networks: An Experimental Survey [12.440636971075977]
グラフ表現学習のためのグラフニューラルネットワーク(GNN)が広く開発されている。 GNNは、その基盤となるメカニズムを理解できないため、ブラックボックスの問題に悩まされる。 GNNによる意思決定を説明するために、いくつかのGNN説明可能性法が提案されている。
論文参考訳（メタデータ） (2022-03-17T11:25:41Z)
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)
Towards Self-Explainable Graph Neural Network [24.18369781999988]
グラフニューラルネットワーク(GNN)は、ディープニューラルネットワークをグラフ構造化データに一般化する。 GNNには説明責任がないため、モデルの透明性を求めるシナリオでは採用が制限される。そこで本稿では,各未ラベルノードに対して$K$-nearestラベル付きノードを探索し,説明可能なノード分類を提案する。
論文参考訳（メタデータ） (2021-08-26T22:45:11Z)
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)
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)
Explain Graph Neural Networks to Understand Weighted Graph Features in Node Classification [15.41200827860072]
本稿では,情報成分と重要なノード特徴を特定するために,新しいグラフ特徴の説明手法を提案する。提案手法は,人間の解釈によってノード分類に使用されるデータパターンを模倣できることを示す。
論文参考訳（メタデータ） (2020-02-02T23:53:21Z)

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。