論文の概要: On the Limit of Explaining Black-box Temporal Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2212.00952v1
- Date: Fri, 2 Dec 2022 03:39:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 17:16:19.795902
- Title: On the Limit of Explaining Black-box Temporal Graph Neural Networks
- Title(参考訳): ブラックボックス時間グラフニューラルネットワークの説明限界について
- Authors: Minh N. Vu, My T. Thai
- Abstract要約: TGNN(Temporal Graph Neural Network)は、時間発展するグラフ関連タスクをモデル化する能力のため、近年注目を集めている。
グラフニューラルネットワークと同様に、TGNNによる予測をブラックボックスの性質から解釈するのは簡単ではない。
- 参考スコア(独自算出の注目度): 27.427529601958334
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Temporal Graph Neural Network (TGNN) has been receiving a lot of attention
recently due to its capability in modeling time-evolving graph-related tasks.
Similar to Graph Neural Networks, it is also non-trivial to interpret
predictions made by a TGNN due to its black-box nature. A major approach
tackling this problems in GNNs is by analyzing the model' responses on some
perturbations of the model's inputs, called perturbation-based explanation
methods. While these methods are convenient and flexible since they do not need
internal access to the model, does this lack of internal access prevent them
from revealing some important information of the predictions? Motivated by that
question, this work studies the limit of some classes of perturbation-based
explanation methods. Particularly, by constructing some specific instances of
TGNNs, we show (i) node-perturbation cannot reliably identify the paths
carrying out the prediction, (ii) edge-perturbation is not reliable in
determining all nodes contributing to the prediction and (iii) perturbing both
nodes and edges does not reliably help us identify the graph's components
carrying out the temporal aggregation in TGNNs.
- Abstract(参考訳): TGNN(Temporal Graph Neural Network)は、時間発展するグラフ関連タスクをモデル化する能力のため、近年注目を集めている。
グラフニューラルネットワークと同様に、ブラックボックスの性質から、tgnnによる予測を解釈することも非自明である。
GNNにおけるこの問題に対処する主要なアプローチは、摂動に基づく説明法と呼ばれるモデル入力の摂動に関するモデルの応答を分析することである。
これらの手法はモデルの内部アクセスを必要としないため便利で柔軟性があるが、内部アクセスの欠如により予測の重要な情報が明らかにできないだろうか?
この質問に動機づけられて、本研究は摂動に基づく説明法のいくつかのクラスの限界を研究する。
特に、TGNNの特定のインスタンスを構築することで、
(i)ノード摂動は、予測を行う経路を確実に特定できない。
(ii)エッジ摂動は、予測に寄与する全てのノードを決定する上で信頼できない。
3) ノードとエッジの摂動はTGNNの時間的集約を実行するグラフのコンポーネントを確実に識別するのに役立ちません。
関連論文リスト
- Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。
しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。
本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文 参考訳(メタデータ) (2024-03-11T21:54:52Z) - Robust Graph Neural Network based on Graph Denoising [10.564653734218755]
グラフニューラルネットワーク(GNN)は、非ユークリッドデータセットを扱う学習問題に対して、悪名高い代替手段として登場した。
本研究は,観測トポロジにおける摂動の存在を明示的に考慮した,GNNの堅牢な実装を提案する。
論文 参考訳(メタデータ) (2023-12-11T17:43:57Z) - 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) - 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) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - A Graph Is More Than Its Nodes: Towards Structured Uncertainty-Aware
Learning on Graphs [49.76175970328538]
本稿では,エッジワイド・キャリブレーション・エラー(ECE)とアライアンス・ディスアグリーECEを新たに提案し,ノードワイド・セッティングを超えるグラフの不確実性推定の基準を提供する。
実験により,提案したエッジワイドメトリクスがノードワイズの結果を補完し,さらなる洞察を得ることが実証された。
論文 参考訳(メタデータ) (2022-10-27T16:12:58Z) - An Explainer for Temporal Graph Neural Networks [27.393641343203363]
時空間グラフニューラルネットワーク(TGNN)は、時間発展するグラフ関連タスクのモデリングに広く用いられている。
本稿では,TGNNモデルのための新しい説明フレームワークを提案する。
論文 参考訳(メタデータ) (2022-09-02T04:12:40Z) - Edge-Level Explanations for Graph Neural Networks by Extending
Explainability Methods for Convolutional Neural Networks [33.20913249848369]
グラフニューラルネットワーク(GNN)は、グラフデータを入力として扱うディープラーニングモデルであり、トラフィック予測や分子特性予測といった様々なタスクに適用される。
本稿では,CNNに対する説明可能性の手法として,LIME(Local Interpretable Model-Agnostic Explanations)やGradient-Based Saliency Maps,Gradient-Weighted Class Activation Mapping(Grad-CAM)をGNNに拡張する。
実験結果から,LIMEに基づくアプローチは実環境における複数のタスクに対する最も効率的な説明可能性手法であり,その状態においても優れていたことが示唆された。
論文 参考訳(メタデータ) (2021-11-01T06:27:29Z) - GNNLens: A Visual Analytics Approach for Prediction Error Diagnosis of
Graph Neural Networks [42.222552078920216]
Graph Neural Networks(GNN)は、ディープラーニング技術をグラフデータに拡張することを目的としている。
GNNは、モデル開発者やユーザから詳細を隠したブラックボックスのように振る舞う。
したがって、GNNの潜在的なエラーを診断することは困難である。
本稿では,対話型視覚分析ツールGNNLensで研究ギャップを埋め,モデル開発者やユーザによるGNNの理解と分析を支援する。
論文 参考訳(メタデータ) (2020-11-22T16:09:08Z) - Interpreting Graph Neural Networks for NLP With Differentiable Edge
Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。
本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。
モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文 参考訳(メタデータ) (2020-10-01T17:51:19Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z)
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。