Fugu-MT 論文翻訳(概要): Evaluating Link Prediction Explanations for Graph Neural Networks

論文の概要: Evaluating Link Prediction Explanations for Graph Neural Networks

arxiv url: http://arxiv.org/abs/2308.01682v1
Date: Thu, 3 Aug 2023 10:48:37 GMT
ステータス: 処理完了
システム内更新日: 2023-08-04 14:30:52.378810
Title: Evaluating Link Prediction Explanations for Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークのためのリンク予測説明の評価
Authors: Claudio Borile, Alan Perotti, Andr\'e Panisson
Abstract要約: リンク予測説明の質を評価するための指標を提供する。ノード埋め込み間の距離の選択など,リンク予測タスクに特有の前提条件や技術的詳細が,説明の質にどのように影響するかを論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph Machine Learning (GML) has numerous applications, such as node/graph classification and link prediction, in real-world domains. Providing human-understandable explanations for GML models is a challenging yet fundamental task to foster their adoption, but validating explanations for link prediction models has received little attention. In this paper, we provide quantitative metrics to assess the quality of link prediction explanations, with or without ground-truth. State-of-the-art explainability methods for Graph Neural Networks are evaluated using these metrics. We discuss how underlying assumptions and technical details specific to the link prediction task, such as the choice of distance between node embeddings, can influence the quality of the explanations.
Abstract（参考訳）: グラフ機械学習(GML)は、実世界のドメインにおいてノード/グラフ分類やリンク予測などの多くの応用がある。 GMLモデルに対する人間の理解可能な説明を提供することは、採用を促進する上で難しいが、リンク予測モデルに対する説明の検証はほとんど注目されていない。本稿では,接地の有無に関わらず,リンク予測の質を評価するための定量的指標を提案する。これらの指標を用いてグラフニューラルネットワークの最先端の説明可能性を評価する。ノード埋め込み間の距離の選択など,リンク予測タスクに特有の前提条件や技術的詳細が,説明の質にどのように影響するかを論じる。

関連論文リスト

Semantic Interpretation and Validation of Graph Attention-based Explanations for GNN Models [9.260186030255081]
本稿では,グラフニューラルネットワーク(GNN)に基づくモデルの説明可能性を高めるために,意味的注意力を用いた手法を提案する。本研究は,注意分布のばらつきを意味的にソートした特徴集合と関連づけることで,既存の注意グラフ説明可能性手法を拡張した。提案手法をライダーポイントクラウド推定モデルに適用し,性能向上に寄与する主要なセマンティッククラスを同定する。
論文参考訳（メタデータ） (2023-08-08T12:34:32Z)
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)
PaGE-Link: Path-based Graph Neural Network Explanation for Heterogeneous Link Prediction [37.57586847539004]
透明性と説明責任は、ブラックボックス機械学習(ML)モデルの主要な関心事となっている。本稿では、接続解釈性のある説明を生成するヘテロジニアスリンク予測(PaGE-Link)のためのパスベースのGNN説明法を提案する。本研究では,PaGE-Linkが生成した説明により,引用グラフとユーザ項目グラフの推奨値が9～35%向上し,人的評価において78.79%の回答が選択された。
論文参考訳（メタデータ） (2023-02-24T05:43:47Z)
A Survey of Explainable Graph Neural Networks: Taxonomy and Evaluation Metrics [8.795591344648294]
本稿では,説明可能なグラフニューラルネットワークに着目し,説明可能な手法を用いて分類する。我々は,GNNの解説に共通する性能指標を提供し,今後の研究の方向性を指摘する。
論文参考訳（メタデータ） (2022-07-26T01:45:54Z)
Deconfounding to Explanation Evaluation in Graph Neural Networks [136.73451468551656]
我々は、全グラフと部分グラフの間に分布シフトが存在し、分布外問題を引き起こすと論じる。本稿では,モデル予測に対する説明文の因果効果を評価するために,Decon founded Subgraph Evaluation (DSE)を提案する。
論文参考訳（メタデータ） (2022-01-21T18:05:00Z)
Towards the Explanation of Graph Neural Networks in Digital Pathology with Information Flows [67.23405590815602]
グラフニューラルネットワーク(GNN)は、デジタル病理学において広く採用されている。既存の説明者は、予測に関連する説明的部分グラフを発見する。説明文は、予測に必要であるだけでなく、最も予測可能な領域を明らかにするのに十分である。本稿では, IFEXPLAINERを提案する。
論文参考訳（メタデータ） (2021-12-18T10:19:01Z)
SEEN: Sharpening Explanations for Graph Neural Networks using Explanations from Neighborhoods [0.0]
本稿では,補助的説明の集約によるノード分類タスクの説明品質の向上手法を提案する。 SEENを適用するにはグラフを変更する必要はなく、さまざまな説明可能性のテクニックで使用することができる。与えられたグラフからモチーフ参加ノードをマッチングする実験では、説明精度が最大12.71%向上した。
論文参考訳（メタデータ） (2021-06-16T03:04:46Z)
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)
Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。