論文の概要: Explaining Graph Neural Networks via Non-parametric Subgraph Matching

• arxiv url: http://arxiv.org/abs/2301.02780v1
• Date: Sat, 7 Jan 2023 05:14:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 15:56:52.692746
• Title: Explaining Graph Neural Networks via Non-parametric Subgraph Matching
• Title（参考訳）: 非パラメトリック部分グラフマッチングによるグラフニューラルネットワークの解説
• Authors: Fang Wu, Siyuan Li, Lirong Wu, Dragomir Radev, Yinghui Jiang, Xurui Jin, Zhangming Niu, Stan Z. Li
• Abstract要約: 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。 合成と実世界の両方のデータセットについて広範な実験を行い、MatchExplainerの有効性を示す。
• 参考スコア（独自算出の注目度）: 41.29239258216766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The great success in graph neural networks (GNNs) provokes the question about explainability: Which fraction of the input graph is the most determinant of the prediction? Particularly, parametric explainers prevail in existing approaches because of their stronger capability to decipher the black-box (i.e., the target GNN). In this paper, based on the observation that graphs typically share some joint motif patterns, we propose a novel non-parametric subgraph matching framework, dubbed MatchExplainer, to explore explanatory subgraphs. It couples the target graph with other counterpart instances and identifies the most crucial joint substructure by minimizing the node corresponding-based distance. Moreover, we note that present graph sampling or node-dropping methods usually suffer from the false positive sampling problem. To ameliorate that issue, we design a new augmentation paradigm named MatchDrop. It takes advantage of MatchExplainer to fix the most informative portion of the graph and merely operates graph augmentations on the rest less informative part. We conduct extensive experiments on both synthetic and real-world datasets and show the effectiveness of our MatchExplainer by outperforming all parametric baselines with significant margins. Additional results also demonstrate that our MatchDrop is a general scheme to be equipped with GNNs for enhanced performance.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の大きな成功は、説明可能性に関する疑問を引き起こしている。 特に、ブラックボックス(すなわちターゲットGNN)を解読する能力が強いため、パラメトリックな説明器が既存のアプローチで普及している。 本稿では,グラフが通常,いくつかの共同モチーフパターンを共有するという観察に基づいて,MatchExplainerと呼ばれる新しい非パラメトリックサブグラフマッチングフレームワークを提案する。 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。 さらに,現在のグラフサンプリングやノードドロップ法は,通常,偽陽性サンプリング問題に悩まされる。 この問題を改善するために、MatchDropという新しい拡張パラダイムを設計する。 MatchExplainerを利用して、グラフの最も情報性の高い部分を修正し、残りの少ない部分でグラフ拡張を単に操作する。 我々は、合成データセットと実世界のデータセットの両方で広範な実験を行い、MatchExplainerの有効性を示す。 また,我々のMatchDropは,性能向上のためにGNNを組み込むための一般的なスキームであることを示す。

関連論文リスト

• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• 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)
• Deconfounded Training for Graph Neural Networks [98.06386851685645]
  本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。 具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。 これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-30T15:22:35Z)
• Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks [0.6236890292833384]
  本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。 BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
  論文  参考訳（メタデータ） (2021-12-14T20:58:27Z)
• Partial Graph Reasoning for Neural Network Regularization [26.793648333908905]
  ドロップアウト(Dropout)は、よく使われる正規化手法であり、ネットワーク最適化中にニューロンのc-tivationsを無効にする。 バックボーンの特徴からスタンドアローングラフを構築することで正規化関数を学習するDropGraphを提案する。 このアドオングラフはトレーニング中にネットワークを正規化し、推論中に完全にスキップすることができる。
  論文  参考訳（メタデータ） (2021-06-03T12:57:01Z)
• On Explainability of Graph Neural Networks via Subgraph Explorations [48.56936527708657]
  本稿では,グラフニューラルネットワーク(GNN)を説明するための新しい手法,SubgraphXを提案する。 我々の研究は,GNNのサブグラフを明示的に識別する最初の試みである。
  論文  参考訳（メタデータ） (2021-02-09T22:12:26Z)
• Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
  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学習するためのパラメトリックモデルの一般的なクラスである。 最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。 本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
  論文  参考訳（メタデータ） (2020-11-19T06:03:35Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)

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。