論文の概要: Message-passing selection: Towards interpretable GNNs for graph classification

• arxiv url: http://arxiv.org/abs/2306.02081v1
• Date: Sat, 3 Jun 2023 11:07:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 20:13:24.138878
• Title: Message-passing selection: Towards interpretable GNNs for graph classification
• Title（参考訳）: メッセージパス選択:グラフ分類のための解釈可能なGNNを目指して
• Authors: Wenda Li, Kaixuan Chen, Shunyu Liu, Wenjie Huang, Haofei Zhang, Yingjie Tian, Yun Su, Mingli Song
• Abstract要約: MSInterpreterは様々なGNNのベースラインに容易に適用できるプラグイン・アンド・プレイ方式として機能する。 MSInterpreterは、GNNのメッセージアグリゲーションのクリティカルパスを選択するメッセージパス選択スキームを提供する。
• 参考スコア（独自算出の注目度）: 35.56497757248375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we strive to develop an interpretable GNNs' inference paradigm, termed MSInterpreter, which can serve as a plug-and-play scheme readily applicable to various GNNs' baselines. Unlike the most existing explanation methods, MSInterpreter provides a Message-passing Selection scheme(MSScheme) to select the critical paths for GNNs' message aggregations, which aims at reaching the self-explaination instead of post-hoc explanations. In detail, the elaborate MSScheme is designed to calculate weight factors of message aggregation paths by considering the vanilla structure and node embedding components, where the structure base aims at weight factors among node-induced substructures; on the other hand, the node embedding base focuses on weight factors via node embeddings obtained by one-layer GNN.Finally, we demonstrate the effectiveness of our approach on graph classification benchmarks.
• Abstract（参考訳）: 本稿では,様々なGNNのベースラインに容易に適用可能なプラグイン・アンド・プレイ方式として,MSInterpreterと呼ばれる解釈可能なGNNの推論パラダイムの開発を試みる。 既存の説明方法とは異なり、MSInterpreterはメッセージパス選択スキーム(MSScheme)を提供し、GNNのメッセージアグリゲーションの重要なパスを選択する。 具体的には,構造ベースがノード誘起部分構造間の重み係数を対象とするバニラ構造とノード埋め込み成分を考慮して,メッセージ集約パスの重み係数を計算することを目的とし,一方,ノード埋め込みベースは一層gnnによって得られたノード埋め込みによる重み係数に着目し,最後に,グラフ分類ベンチマークにおける提案手法の有効性を示す。

関連論文リスト

• Revisiting Neighborhood Aggregation in Graph Neural Networks for Node Classification using Statistical Signal Processing [4.184419714263417]
  グラフニューラルネットワーク(GNN)の基本構成要素である近傍集約の概念を再評価する。 本分析では,エッジ独立ノードラベルの仮定の下での動作において,特定のベンチマークGNNモデル内の概念的欠陥を明らかにする。
  論文  参考訳（メタデータ） (2024-07-21T22:37:24Z)
• Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
  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のモデリングでますます人気が高まっている。 本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。 本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:36:56Z)
• 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)
• Structural Explanations for Graph Neural Networks using HSIC [21.929646888419914]
  グラフニューラルネットワーク(GNN)は、グラフィカルなタスクをエンドツーエンドで処理するニューラルネットワークの一種である。 GNNの複雑なダイナミクスは、グラフの特徴のどの部分が予測に強く寄与しているかを理解するのを困難にしている。 本研究では,グラフ内の重要な構造を検出するために,フレキシブルモデルに依存しない説明法を提案する。
  論文  参考訳（メタデータ） (2023-02-04T09:46:47Z)
• Multi-duplicated Characterization of Graph Structures using Information Gain Ratio for Graph Neural Networks [0.0]
  グラフデータのための機械学習において、ノード分類タスクを解決するために、様々なグラフニューラルネットワーク(GNN)が提案されている。 GNN(MSI-GNN)のための情報ゲイン比(IGR)を用いたグラフ構造の多重重複特性評価法を提案する。 MSI-GNNがGCN, H2GCN, GCNIIをベンチマークグラフデータセットの平均精度で上回ることを示す。
  論文  参考訳（メタデータ） (2022-12-24T08:56:21Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using Vector Quantization [70.8567058758375]
  VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。 我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
  論文  参考訳（メタデータ） (2021-10-27T11:48:50Z)
• DPGNN: Dual-Perception Graph Neural Network for Representation Learning [21.432960458513826]
  グラフニューラルネットワーク(GNN)は近年注目を集め、グラフベースのタスクの多くで顕著なパフォーマンスを実現している。 既存のGNNの多くは、メッセージパッシングパラダイムに基づいて、1つのトポロジ空間内の近隣情報を反復的に集約している。 本稿では,マルチステップメッセージソースの特性,ノード固有のメッセージ出力,マルチスペースメッセージインタラクションに基づく新しいメッセージパッシングパラダイムを提案する。
  論文  参考訳（メタデータ） (2021-10-15T05:47:26Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。