論文の概要: GraphFramEx: Towards Systematic Evaluation of Explainability Methods for
Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2206.09677v1
- Date: Mon, 20 Jun 2022 09:33:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 14:00:30.378128
- Title: GraphFramEx: Towards Systematic Evaluation of Explainability Methods for
Graph Neural Networks
- Title（参考訳）: GraphFramEx: グラフニューラルネットワークにおける説明可能性手法の体系的評価に向けて
- Authors: Kenza Amara, Rex Ying, Zitao Zhang, Zhihao Han, Yinan Shan, Ulrik
Brandes, Sebastian Schemm, Ce Zhang
- Abstract要約: GNN説明可能性のための最初の体系的評価フレームワークを提案する。
本稿では,3つの「ユーザニーズ」の説明可能性について考察する。
我々は、GNNの入力レベル説明可能性の分野で最も代表的な手法を比較した。
- 参考スコア（独自算出の注目度）: 14.256421832842351
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As one of the most popular machine learning models today, graph neural
networks (GNNs) have attracted intense interest recently, and so does their
explainability. Users are increasingly interested in a better understanding of
GNN models and their outcomes. Unfortunately, today's evaluation frameworks for
GNN explainability often rely on synthetic datasets, leading to conclusions of
limited scope due to a lack of complexity in the problem instances. As GNN
models are deployed to more mission-critical applications, we are in dire need
for a common evaluation protocol of explainability methods of GNNs. In this
paper, we propose, to our best knowledge, the first systematic evaluation
framework for GNN explainability, considering explainability on three different
"user needs:" explanation focus, mask nature, and mask transformation. We
propose a unique metric that combines the fidelity measures and classify
explanations based on their quality of being sufficient or necessary. We scope
ourselves to node classification tasks and compare the most representative
techniques in the field of input-level explainability for GNNs. For the widely
used synthetic benchmarks, surprisingly shallow techniques such as personalized
PageRank have the best performance for a minimum computation time. But when the
graph structure is more complex and nodes have meaningful features,
gradient-based methods, in particular Saliency, are the best according to our
evaluation criteria. However, none dominates the others on all evaluation
dimensions and there is always a trade-off. We further apply our evaluation
protocol in a case study on eBay graphs to reflect the production environment.
- Abstract（参考訳）: 今日最もポピュラーな機械学習モデルのひとつとして、グラフニューラルネットワーク(GNN)が最近注目を集めており、その説明可能性も高い。
ユーザは、GNNモデルとその成果をよりよく理解することに興味を持っている。
残念ながら、今日のGNN説明可能性評価フレームワークは、しばしば合成データセットに依存しており、問題インスタンスの複雑さが不足しているため、スコープが限られている。
GNNモデルはよりミッションクリティカルなアプリケーションにデプロイされるため、GNNの説明可能性に関する共通評価プロトコルが必要である。
本稿では,GNN説明可能性に関する最初の体系的評価フレームワークを提案する。このフレームワークは3つの異なる「ユーザニーズ」の説明可能性:説明焦点,マスクの性質,マスク変換について考察する。
本稿では, 忠実度測定と説明の分類を, 十分あるいは必要である品質に基づいて組み合わせた一意な尺度を提案する。
ノード分類タスクを対象とし、GNNの入力レベル説明可能性の分野で最も代表的な手法を比較する。
広く使われている合成ベンチマークでは、パーソナライズされたページランクのような驚くほど浅いテクニックが最小の計算時間で最高のパフォーマンスを発揮する。
しかし、グラフ構造が複雑でノードに有意義な特徴がある場合、勾配に基づく手法、特に塩分は、評価基準に従って最適である。
しかしながら、すべての評価次元において他のものを支配するものはなく、常にトレードオフがある。
さらに,本評価プロトコルをebayグラフの事例研究に適用し,生産環境を反映させる。
関連論文リスト
- Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。
GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文 参考訳（メタデータ） (2024-11-19T08:32:14Z) - xAI-Drop: Don't Use What You Cannot Explain [23.33477769275026]
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から学習するための主要なパラダイムとして登場した。
GNNは、一般化の欠如や解釈可能性の低下といった課題に直面している。
トポロジカルレベル降下正則化器であるxAI-Dropを導入する。
論文 参考訳（メタデータ） (2024-07-29T14:53:45Z) - GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。
本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。
DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
論文 参考訳（メタデータ） (2023-10-23T05:51:59Z) - Towards Robust Fidelity for Evaluating Explainability of Graph Neural Networks [32.345435955298825]
グラフニューラルネットワーク(GNN)は、グラフノード間のメッセージパッシングを介してグラフィカルデータの依存性構造を利用するニューラルネットワークである。
GNN説明可能性の研究における主な課題は、これらの説明機能の性能を評価するための忠実度尺度を提供することである。
本稿では,この基礎的課題について考察し,その限界を浮き彫りにする。
論文 参考訳（メタデータ） (2023-10-03T06:25:14Z) - How Expressive are Graph Neural Networks in Recommendation? [17.31401354442106]
グラフニューラルネットワーク(GNN)は、レコメンデーションを含むさまざまなグラフ学習タスクにおいて、優れたパフォーマンスを示している。
近年、GNNの表現性を調査し、メッセージパッシングGNNがWeisfeiler-Lehmanテストと同じくらい強力であることを実証している。
本稿では,GNNがノード間の構造的距離を捉える能力を評価するために,位相的近接度尺度を提案する。
論文 参考訳（メタデータ） (2023-08-22T02:17:34Z) - 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) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳（メタデータ） (2022-10-14T03:43:05Z) - BAGEL: A Benchmark for Assessing Graph Neural Network Explanations [4.43959863685757]
グラフニューラルネットワークモデルが与えられた後、GNNモデルを説明するためのいくつかの解釈可能性アプローチが存在する。
本稿では,ベイゲルと呼ばれるGNNにおける説明可能性評価手法を提案する。
我々は4つのGNNモデルと、ノードとグラフの分類タスクに対する9つのポストホックな説明手法に関する広範な実証的研究を行った。
論文 参考訳（メタデータ） (2022-06-28T13:08:28Z) - Is Homophily a Necessity for Graph Neural Networks? [50.959340355849896]
グラフニューラルネットワーク(GNN)は、多数のグラフベースの機械学習タスクに適した学習表現において大きな進歩を見せている。
GNNはホモフィリーな仮定によりうまく機能し、異種ノードが接続する異種グラフへの一般化に失敗したと広く信じられている。
最近の研究は、このような不均一な制限を克服する新しいアーキテクチャを設計し、ベースライン性能の低さと、この概念の証拠として、いくつかの異種グラフベンチマークデータセットに対するアーキテクチャの改善を引用している。
我々の実験では、標準グラフ畳み込みネットワーク(GCN)が実際よりも優れた性能を実現できることを実証的に見出した。
論文 参考訳（メタデータ） (2021-06-11T02:44:00Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳（メタデータ） (2020-08-31T23:15:40Z) - Optimization and Generalization Analysis of Transduction through
Gradient Boosting and Application to Multi-scale Graph Neural Networks [60.22494363676747]
現在のグラフニューラルネットワーク(GNN)は、オーバースムーシング(over-smoothing)と呼ばれる問題のため、自分自身を深くするのは難しいことが知られている。
マルチスケールGNNは、オーバースムーシング問題を緩和するための有望なアプローチである。
マルチスケールGNNを含むトランスダクティブ学習アルゴリズムの最適化と一般化を保証する。
論文 参考訳（メタデータ） (2020-06-15T17:06:17Z)
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。