論文の概要: Explaining GNN over Evolving Graphs using Information Flow
- arxiv url: http://arxiv.org/abs/2111.10037v1
- Date: Fri, 19 Nov 2021 04:29:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 01:34:40.095677
- Title: Explaining GNN over Evolving Graphs using Information Flow
- Title（参考訳）: 情報フローを用いたグラフ上GNNの解説
- Authors: Yazheng Liu and Xi Zhang and Sihong Xie
- Abstract要約: グラフニューラルネットワーク(GNN)は、これらの応用の最先端でありながら、人間には不明瞭である。
本稿では,計算グラフ上の経路に対する予測の変化を一意に分解する公理的帰属法を提案する。
予測の進化を説明する経路を最適に選択するために,新しい凸最適化問題を定式化する。
- 参考スコア（独自算出の注目度）: 12.33508497537769
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graphs are ubiquitous in many applications, such as social networks,
knowledge graphs, smart grids, etc.. Graph neural networks (GNN) are the
current state-of-the-art for these applications, and yet remain obscure to
humans. Explaining the GNN predictions can add transparency. However, as many
graphs are not static but continuously evolving, explaining changes in
predictions between two graph snapshots is different but equally important.
Prior methods only explain static predictions or generate coarse or irrelevant
explanations for dynamic predictions. We define the problem of explaining
evolving GNN predictions and propose an axiomatic attribution method to
uniquely decompose the change in a prediction to paths on computation graphs.
The attribution to many paths involving high-degree nodes is still not
interpretable, while simply selecting the top important paths can be suboptimal
in approximating the change. We formulate a novel convex optimization problem
to optimally select the paths that explain the prediction evolution.
Theoretically, we prove that the existing method based on
Layer-Relevance-Propagation (LRP) is a special case of the proposed algorithm
when an empty graph is compared with. Empirically, on seven graph datasets,
with a novel metric designed for evaluating explanations of prediction change,
we demonstrate the superiority of the proposed approach over existing methods,
including LRP, DeepLIFT, and other path selection methods.
- Abstract（参考訳）: グラフは、ソーシャルネットワーク、ナレッジグラフ、スマートグリッドなど、多くのアプリケーションにおいてユビキタスです。
グラフニューラルネットワーク(GNN)は、これらの応用の最先端でありながら、人間には不明瞭である。
GNNの予測を説明すると透明性が増す。
しかし、多くのグラフが静的ではないが継続的に進化しているため、2つのグラフスナップショット間の予測の変化は異なるが、同様に重要である。
従来の手法では静的な予測のみを説明するか、動的予測に対して粗いあるいは無関係な説明を生成する。
進化するGNN予測を説明する問題を定義し,計算グラフ上の経路に対する予測の変化を一意に分解する公理的帰属法を提案する。
高次ノードを含む多くのパスの帰属はいまだ解釈できないが、最も重要なパスを選択することは、変更を近似するのに最適ではない。
予測進化を説明する経路を最適に選択するために,新しい凸最適化問題を定式化する。
理論的には,LRP(Layer-Relevance-Propagation)に基づく既存手法が,空グラフと比較した場合に提案アルゴリズムの特別な場合であることが証明されている。
実験的に、7つのグラフデータセット上で、予測変化の説明を評価するために設計された新しいメトリクスを用いて、LRPやDeepLIFTなどの既存手法よりも提案手法の方が優れていることを示す。
関連論文リスト
- A Differential Geometric View and Explainability of GNN on Evolving
Graphs [15.228139478280747]
グラフはソーシャルネットワークや生化学においてユビキタスであり、グラフニューラルネットワーク(GNN)は予測のための最先端のモデルである。
本稿では,公理的属性を用いたGNN予測分布のスムーズなパラメータ化を提案する。
グラフの進化によるノード分類,リンク予測,グラフ分類に関する実験により,提案手法の空間性,忠実性,直感性が向上した。
論文 参考訳（メタデータ） (2024-03-11T04:26:18Z) - Empowering Counterfactual Reasoning over Graph Neural Networks through
Inductivity [7.094238868711952]
グラフニューラルネットワーク(GNN)には、薬物発見、レコメンデーションエンジン、チップ設計など、さまざまな実用的応用がある。
因果推論は、GNNの入力グラフの変更を最小限に抑えて予測を変更するために用いられる。
論文 参考訳（メタデータ） (2023-06-07T23:40:18Z) - 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) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である
我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。
RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
論文 参考訳（メタデータ） (2022-04-23T09:13:25Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Transformation of Node to Knowledge Graph Embeddings for Faster Link
Prediction in Social Networks [2.458658951393896]
ニューラルネットワークの最近の進歩は、リンク予測、ノード分類、ノードクラスタリング、ノードレコメンデーションといった一般的なグラフ問題を解決している。
本研究では,ランダムウォーク法から得られるノード埋め込みを,計算コストを増大させることなく,知識グラフ法から直接得られる埋め込みに変換する変換モデルについて検討する。
論文 参考訳（メタデータ） (2021-11-17T04:57:41Z) - Robust Counterfactual Explanations on Graph Neural Networks [42.91881080506145]
高速アプリケーションにおけるグラフニューラルネットワーク(GNN)の大規模展開は、ノイズに対して堅牢な説明を強く要求する。
既存のほとんどの手法は、予測と強い相関関係を持つ入力グラフのサブグラフを識別することで説明を生成する。
類似の入力グラフ上でGNNの共通決定論理を明示的にモデル化することにより,GNNの堅牢な反実的説明を生成する手法を提案する。
論文 参考訳（メタデータ） (2021-07-08T19:50:00Z) - CF-GNNExplainer: Counterfactual Explanations for Graph Neural Networks [40.47070962945751]
グラフニューラルネットワーク(GNN)は、現実世界のアプリケーションにおいて、ますます有望であることが示されている。
本稿では, CF-GNNExplainerを提案する。
論文 参考訳（メタデータ） (2021-02-05T17:58:14Z) - 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。