論文の概要: GradXKG: A Universal Explain-per-use Temporal Knowledge Graph Explainer
- arxiv url: http://arxiv.org/abs/2310.04889v1
- Date: Sat, 7 Oct 2023 18:21:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 14:48:51.844771
- Title: GradXKG: A Universal Explain-per-use Temporal Knowledge Graph Explainer
- Title（参考訳）: GradXKG: 時間単位の普遍的な知識グラフ記述器
- Authors: Chenhan Yuan and Hoda Eldardiry
- Abstract要約: GradXKGはTKGRモデルを説明するための新しい2段階勾配に基づくアプローチである。
まず、Grad-CAMにインスパイアされたRGCN説明器が勾配を追跡し、各ノードのタイムステップ間のコントリビューションを定量化する。
第2に、統合勾配説明器はRGCN出力の重要性を強化し、多様なTKGRアーキテクチャ間の互換性を拡大する。
- 参考スコア（独自算出の注目度）: 4.169915659794567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal knowledge graphs (TKGs) have shown promise for reasoning tasks by
incorporating a temporal dimension to represent how facts evolve over time.
However, existing TKG reasoning (TKGR) models lack explainability due to their
black-box nature. Recent work has attempted to address this through customized
model architectures that generate reasoning paths, but these recent approaches
have limited generalizability and provide sparse explanatory output. To enable
interpretability for most TKGR models, we propose GradXKG, a novel two-stage
gradient-based approach for explaining Relational Graph Convolution Network
(RGCN)-based TKGR models. First, a Grad-CAM-inspired RGCN explainer tracks
gradients to quantify each node's contribution across timesteps in an efficient
"explain-per-use" fashion. Second, an integrated gradients explainer
consolidates importance scores for RGCN outputs, extending compatibility across
diverse TKGR architectures based on RGCN. Together, the two explainers
highlight the most critical nodes at each timestep for a given prediction. Our
extensive experiments demonstrated that, by leveraging gradient information,
GradXKG provides insightful explanations grounded in the model's logic in a
timely manner for most RGCN-based TKGR models. This helps address the lack of
interpretability in existing TKGR models and provides a universal explanation
approach applicable across various models.
- Abstract（参考訳）: 時間的知識グラフ(TKG)は、時間とともに事実がどのように進化するかを表現するために時間的次元を組み込むことによって、推論タスクの約束を示す。
しかしながら、既存のtkg推論(tkgr)モデルはブラックボックスの性質から説明可能性に欠ける。
最近の研究は、推論経路を生成するカスタマイズされたモデルアーキテクチャによってこの問題に対処しようとしているが、近年のアプローチは、一般化性に制限があり、スパース説明出力を提供する。
多くのTKGRモデルの解釈可能性を実現するために,リレーショナルグラフ畳み込みネットワーク(RGCN)に基づくTKGRモデルを記述するための2段階勾配に基づく新しいアプローチであるGradXKGを提案する。
まず、Grad-CAMにインスパイアされたRCCNの説明器が勾配を追跡し、各ノードの寄与を効率的な"説明/使用"形式で時間ステップにわたって定量化する。
第2に、統合勾配説明器は、RGCN出力の重要点を集約し、RGCNに基づく様々なTKGRアーキテクチャ間の互換性を拡大する。
2つの説明器は、与えられた予測のために各タイミングで最も重要なノードをハイライトする。
我々の広範な実験により、GradXKGは勾配情報を活用することで、ほとんどのRCCNベースのTKGRモデルに対して、モデル論理にタイムリーに基礎を置く洞察豊かな説明を提供することを示した。
これにより、既存のTKGRモデルの解釈可能性の欠如に対処し、様々なモデルに適用可能な普遍的な説明手法を提供する。
関連論文リスト
- SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。
グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。
本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
論文 参考訳（メタデータ） (2024-10-21T15:47:03Z) - Towards Graph Foundation Models: The Perspective of Zero-shot Reasoning on Knowledge Graphs [14.392577069212292]
我々は、ゼロショット学習を用いて、多様なグラフタスクを効果的に一般化する統合グラフ推論フレームワークSCOREを紹介する。
SCOREを38種類のグラフデータセットを用いて評価し、ノードレベル、リンクレベル、グラフレベルのタスクを複数のドメインでカバーする。
論文 参考訳（メタデータ） (2024-10-16T14:26:08Z) - Path-based Explanation for Knowledge Graph Completion [17.541247786437484]
GNNベースの知識グラフ補完モデルの結果に対する適切な説明は、モデルの透明性を高める。
KGCタスクを説明するための既存のプラクティスは、インスタンス/サブグラフベースのアプローチに依存している。
我々は、GNNベースのモデルを探索する最初のパスベースのKGC説明器であるPower-Linkを提案する。
論文 参考訳（メタデータ） (2024-01-04T14:19:37Z) - OrthoReg: Improving Graph-regularized MLPs via Orthogonality
Regularization [66.30021126251725]
グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。
グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。
GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。
次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
論文 参考訳（メタデータ） (2023-01-31T21:20:48Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - Gradient Gating for Deep Multi-Rate Learning on Graphs [62.25886489571097]
グラフニューラルネットワーク(GNN)の性能向上のための新しいフレームワークであるグラディエントゲーティング(G$2$)を提案する。
我々のフレームワークは,GNN層の出力を,基盤となるグラフのノード間でのメッセージパッシング情報のマルチレートフローのメカニズムでゲーティングすることに基づいている。
論文 参考訳（メタデータ） (2022-10-02T13:19:48Z) - Generating the Graph Gestalt: Kernel-Regularized Graph Representation
Learning [47.506013386710954]
グラフデータの完全な科学的理解は、グローバル構造とローカル構造の両方に対処する必要がある。
本稿では,グラフVAEフレームワークにおける相補的目的として,両者のジョイントモデルを提案する。
実験により,生成したグラフ構造の現実性は,典型的には1-2桁のグラフ構造メトリクスによって著しく向上したことが示された。
論文 参考訳（メタデータ） (2021-06-29T10:48:28Z) - A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。
提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。
実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2021-06-22T12:41:19Z) - RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。
二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。
理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文 参考訳（メタデータ） (2021-01-25T13:31:29Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z)
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。