論文の概要: Self-Explainable Graph Neural Networks for Link Prediction

• arxiv url: http://arxiv.org/abs/2305.12578v1
• Date: Sun, 21 May 2023 21:57:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 19:24:44.710366
• Title: Self-Explainable Graph Neural Networks for Link Prediction
• Title（参考訳）: リンク予測のための自己説明型グラフニューラルネットワーク
• Authors: Huaisheng Zhu, Dongsheng Luo, Xianfeng Tang, Junjie Xu, Hui Liu, Suhang Wang
• Abstract要約: グラフニューラルネットワーク(GNN)はリンク予測の最先端性能を達成した。 GNNは解釈性に乏しいため、重要なシナリオでは採用が制限される。 そこで我々は,このノードから他のノードへのリンクに対するペア固有の表現を学習するために,あるノードの様々なK$重要な隣人を見つけることができる新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 30.41648521030615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have achieved state-of-the-art performance for link prediction. However, GNNs suffer from poor interpretability, which limits their adoptions in critical scenarios that require knowing why certain links are predicted. Despite various methods proposed for the explainability of GNNs, most of them are post-hoc explainers developed for explaining node classification. Directly adopting existing post-hoc explainers for explaining link prediction is sub-optimal because: (i) post-hoc explainers usually adopt another strategy or model to explain a target model, which could misinterpret the target model; and (ii) GNN explainers for node classification identify crucial subgraphs around each node for the explanation; while for link prediction, one needs to explain the prediction for each pair of nodes based on graph structure and node attributes. Therefore, in this paper, we study a novel problem of self-explainable GNNs for link prediction, which can simultaneously give accurate predictions and explanations. Concretely, we propose a new framework and it can find various $K$ important neighbors of one node to learn pair-specific representations for links from this node to other nodes. These $K$ different neighbors represent important characteristics of the node and model various factors for links from it. Thus, $K$ neighbors can provide explanations for the existence of links. Experiments on both synthetic and real-world datasets verify the effectiveness of the proposed framework for link prediction and explanation.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はリンク予測の最先端性能を達成した。 しかし、GNNは解釈性に乏しいため、特定のリンクが予測される理由を知る必要のある重要なシナリオでの採用を制限する。 gnnの説明可能性に関する様々な方法が提案されているが、そのほとんどはノード分類を説明するために開発されたポストホックな説明である。 リンク予測を説明するために、既存のポストホックな説明器を直接採用することは、以下の理由から最適である。 一 ポストホックの解説者は、通常、ターゲットモデルを説明する他の戦略又はモデルを採用して、ターゲットモデルを誤解釈することができる。 (II)ノード分類のためのGNN説明器は、各ノードの周辺に重要な部分グラフを識別するが、リンク予測ではグラフ構造とノード属性に基づいて各ノードの予測を説明する必要がある。 そこで本稿では,リンク予測のための自己説明可能なGNNの新たな問題について検討する。 具体的には、新しいフレームワークを提案し、1つのノードの様々な$k$重要の隣人を見つけ、このノードから他のノードへのリンクのペア固有の表現を学ぶことができる。 これらの$k$の異なる隣人は、ノードの重要な特性を表し、そのリンクの様々な要素をモデル化します。 したがって、$K$ 隣人はリンクの存在を説明することができる。 合成と実世界の両方のデータセットの実験は、リンク予測と説明のためのフレームワークの有効性を検証する。

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)
• GANExplainer: GAN-based Graph Neural Networks Explainer [5.641321839562139]
  グラフニューラルネットワーク(GNN)が、多くのアプリケーションにおいて、特定の予測を行う理由を説明することは重要である。 本稿では,GANアーキテクチャに基づくGANExplainerを提案する。 GANExplainerは、その代替案と比較して、説明精度を最大35%改善する。
  論文  参考訳（メタデータ） (2022-12-30T23:11:24Z)
• Towards Prototype-Based Self-Explainable Graph Neural Network [37.90997236795843]
  本稿では,プロトタイプベースの自己説明可能なGNNを学習し,正確な予測とプロトタイプベースの予測説明を同時に行うという,新たな課題について考察する。 学習したプロトタイプは、テストインスタンスの予測とインスタンスレベルの説明を同時に行うためにも使用される。
  論文  参考訳（メタデータ） (2022-10-05T00:47:42Z)
• 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)
• 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)
• Jointly Attacking Graph Neural Network and its Explanations [50.231829335996814]
  グラフニューラルネットワーク(GNN)は多くのグラフ関連タスクのパフォーマンスを向上した。 近年の研究では、GNNは敵の攻撃に対して非常に脆弱であることが示されており、敵はグラフを変更することでGNNの予測を誤認することができる。 本稿では、GNNモデルとその説明の両方を同時に利用して攻撃できる新しい攻撃フレームワーク(GEAttack)を提案する。
  論文  参考訳（メタデータ） (2021-08-07T07:44:33Z)
• 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)
• 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)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。