Fugu-MT 論文翻訳(概要): Evaluating Neighbor Explainability for Graph Neural Networks

論文の概要: Evaluating Neighbor Explainability for Graph Neural Networks

arxiv url: http://arxiv.org/abs/2311.08118v2
Date: Sun, 24 Mar 2024 12:21:35 GMT
ステータス: 処理完了
システム内更新日: 2024-03-27 02:25:46.283080
Title: Evaluating Neighbor Explainability for Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークの近傍説明可能性の評価
Authors: Oscar Llorente Gonzalez, Rana Fawzy, Jared Keown, Michal Horemuz, Péter Vaderna, Sándor Laki, Roland Kotroczó, Rita Csoma, János Márk Szalai-Gindl,
Abstract要約: この出版物は、ノードを分類するときに各GNNがどの程度重要かを決定する問題に対処する。様々な説明可能性の手法を改良して近隣の重要度を高め, 4つの新しい指標を提示する。
参考スコア（独自算出の注目度）: 0.7864601533868453
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Explainability in Graph Neural Networks (GNNs) is a new field growing in the last few years. In this publication we address the problem of determining how important is each neighbor for the GNN when classifying a node and how to measure the performance for this specific task. To do this, various known explainability methods are reformulated to get the neighbor importance and four new metrics are presented. Our results show that there is almost no difference between the explanations provided by gradient-based techniques in the GNN domain. In addition, many explainability techniques failed to identify important neighbors when GNNs without self-loops are used.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)における説明可能性(Explainability in Graph Neural Networks)は、ここ数年で成長している新しい分野である。本論文では,ノードの分類において各隣接ノードがどの程度重要か,また,そのタスクのパフォーマンスをいかに測定するか,という課題に対処する。これを実現するために, 様々な説明可能性法を改訂し, 4つの新しい指標を提示する。以上の結果から,GNN領域における勾配に基づく手法による説明の相違はほとんどないことが明らかとなった。さらに、自己ループのないGNNを使用する場合、多くの説明可能性技術は重要な隣人を識別できなかった。

関連論文リスト

Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文参考訳（メタデータ） (2023-12-16T14:09:23Z)
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)
Explainability in subgraphs-enhanced Graph Neural Networks [12.526174412246107]
グラフ強化グラフニューラルネットワーク(SGNN)は,GNNの表現力を高めるために導入された。本稿では, GNN の最近の解説者の一つである PGExplainer を SGNN に適用する。本稿では,グラフ分類タスクにおけるSGNNの決定過程を説明することに成功していることを示す。
論文参考訳（メタデータ） (2022-09-16T13:39:10Z)
Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文参考訳（メタデータ） (2022-05-15T11:38:14Z)
Explainability in Graph Neural Networks: An Experimental Survey [12.440636971075977]
グラフ表現学習のためのグラフニューラルネットワーク(GNN)が広く開発されている。 GNNは、その基盤となるメカニズムを理解できないため、ブラックボックスの問題に悩まされる。 GNNによる意思決定を説明するために、いくつかのGNN説明可能性法が提案されている。
論文参考訳（メタデータ） (2022-03-17T11:25:41Z)
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)
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)
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)
A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
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学習表現において顕著に普及している。本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文参考訳（メタデータ） (2020-10-05T04:57:18Z)
XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
論文参考訳（メタデータ） (2020-06-03T23:52:43Z)

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。