論文の概要: Counterfactual Explanations for Graph Classification Through the Lenses of Density

• arxiv url: http://arxiv.org/abs/2307.14849v1
• Date: Thu, 27 Jul 2023 13:28:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-28 14:32:05.401150
• Title: Counterfactual Explanations for Graph Classification Through the Lenses of Density
• Title（参考訳）: 密度レンズによるグラフ分類の反事実的説明
• Authors: Carlo Abrate, Giulia Preti, Francesco Bonchi
• Abstract要約: グラフ分類器のインスタンスレベルの反実例記述を生成するための一般密度に基づく反実例探索フレームワークを定義する。 この一般的なフレームワークでは,三角形の開きあるいは閉きによる反実数グラフの探索法と,最大傾きによって駆動される方法の2つの具体的インスタンス化を示す。 提案手法の有効性を7つの脳ネットワークデータセットで評価し, 広く利用されている指標に基づいて生成した偽事実を比較検討した。
• 参考スコア（独自算出の注目度）: 19.53018353016675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual examples have emerged as an effective approach to produce simple and understandable post-hoc explanations. In the context of graph classification, previous work has focused on generating counterfactual explanations by manipulating the most elementary units of a graph, i.e., removing an existing edge, or adding a non-existing one. In this paper, we claim that such language of explanation might be too fine-grained, and turn our attention to some of the main characterizing features of real-world complex networks, such as the tendency to close triangles, the existence of recurring motifs, and the organization into dense modules. We thus define a general density-based counterfactual search framework to generate instance-level counterfactual explanations for graph classifiers, which can be instantiated with different notions of dense substructures. In particular, we show two specific instantiations of this general framework: a method that searches for counterfactual graphs by opening or closing triangles, and a method driven by maximal cliques. We also discuss how the general method can be instantiated to exploit any other notion of dense substructures, including, for instance, a given taxonomy of nodes. We evaluate the effectiveness of our approaches in 7 brain network datasets and compare the counterfactual statements generated according to several widely-used metrics. Results confirm that adopting a semantic-relevant unit of change like density is essential to define versatile and interpretable counterfactual explanation methods.
• Abstract（参考訳）: カウンターファクトな例は、単純で理解可能なポストホックな説明を生み出す効果的なアプローチとして現れてきた。 グラフ分類の文脈において、以前の研究は、グラフの最も基本的な単位、すなわち既存の辺を取り除いたり、既存の辺を追加したりすることで、反事実的な説明を作ることに重点を置いてきた。 本稿では,このような説明言語がきめ細かすぎると仮定し,三角形を閉じる傾向,モチーフの存在,組織を密集したモジュールにすることなど,現実世界の複雑なネットワークの主な特徴に注意を向ける。 そこで我々は,グラフ分類器のインスタンスレベルの対実的説明を生成するための一般密度に基づく対実的検索フレームワークを定義した。 特に、この一般的なフレームワークの2つの特異なインスタンス化を示す: 三角形の開閉による反ファクトグラフの探索法と、最大傾きによって駆動される方法である。 また、ノードの特定の分類を含む高密度なサブストラクチャの他の概念を利用するために、一般手法をインスタンス化する方法についても論じる。 提案手法の有効性を7つの脳ネットワークデータセットで評価し, 広く利用されている指標に基づいて生成した反事実文を比較した。 その結果,多目的かつ解釈可能な反事実的説明法を定義するためには,密度のような意味的関係のある変化の単位を採用することが不可欠であることが確認された。

関連論文リスト

• Structure Your Data: Towards Semantic Graph Counterfactuals [1.8817715864806608]
  概念に基づく対実的説明(CE)は、モデル予測にどの高レベルな意味的特徴が寄与するかを理解するための代替シナリオを考える説明である。 本研究では,入力データに付随する意味グラフに基づくCEを提案する。
  論文  参考訳（メタデータ） (2024-03-11T08:40:37Z)
• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• Homomorphism Counts for Graph Neural Networks: All About That Basis [8.25219440625445]
  我々は、よりきめ細かいアプローチを論じ、対象パターンの基底''にすべての構造の準同型数を含む。 これにより計算複雑性の面で追加のオーバーヘッドを発生させずに、より表現力のあるアーキテクチャが得られる。
  論文  参考訳（メタデータ） (2024-02-13T16:57:06Z)
• Explanation Selection Using Unlabeled Data for Chain-of-Thought Prompting [80.9896041501715]
  非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。 本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T18:02:34Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• Topological Representations of Local Explanations [8.559625821116454]
  局所的な説明の集合から単純化された表現を抽出するトポロジに基づくフレームワークを提案する。 我々のフレームワークは、説明可能性技術の違いを確実に識別できるだけでなく、安定した表現も提供できることを実証する。
  論文  参考訳（メタデータ） (2022-01-06T17:46:45Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)
• MAIRE -- A Model-Agnostic Interpretable Rule Extraction Procedure for Explaining Classifiers [5.02231401459109]
  本稿では,モデルに依存しない人間の解釈可能なルールを抽出し,分類器の出力を説明する新しい枠組みを提案する。 フレームワークはモデル非依存であり、任意の分類器に適用でき、すべての属性(連続、順序、順序なしの離散を含む)を適用できる。
  論文  参考訳（メタデータ） (2020-11-03T06:53:06Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Equivariant Maps for Hierarchical Structures [17.931059591895984]
  階層構造の対称性は、ビルディングブロックの対称性の「死積」であることを示す。 点雲を酸化することにより、データに翻訳と置換の対称性の階層を課す。 私たちは、Semantic3D、S3DIS、vKITTIに関する最新の技術について報告します。
  論文  参考訳（メタデータ） (2020-06-05T18:42:12Z)

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。