論文の概要: SynHIN: Generating Synthetic Heterogeneous Information Network for
Explainable AI
- arxiv url: http://arxiv.org/abs/2401.04133v1
- Date: Sun, 7 Jan 2024 04:43:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 19:01:20.286901
- Title: SynHIN: Generating Synthetic Heterogeneous Information Network for
Explainable AI
- Title(参考訳): SynHIN: 説明可能なAIのための合成異種情報ネットワークの生成
- Authors: Ming-Yi Hong, Yi-Hsiang Huang, You-Chen Teng, Chih-Yu Wang, Che Lin
- Abstract要約: 合成異種情報ネットワークを生成するユニークな方法であるSynHINを提案する。
SynHINは、現実世界のデータセットのモチーフを特定し、グラフ統計を要約し、合成ネットワークを構築する。
将来の異種グラフ説明モデル研究のためのベンチマークデータセットを提案する。
- 参考スコア(独自算出の注目度): 35.94125831564648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) excel in various domains, from detecting
e-commerce spam to social network classification problems. However, the lack of
public graph datasets hampers research progress, particularly in heterogeneous
information networks (HIN). The demand for datasets for fair HIN comparisons is
growing due to advancements in GNN interpretation models. In response, we
propose SynHIN, a unique method for generating synthetic heterogeneous
information networks. SynHIN identifies motifs in real-world datasets,
summarizes graph statistics, and constructs a synthetic network. Our approach
utilizes In-Cluster and Out-Cluster Merge modules to build the synthetic HIN
from primary motif clusters. After In/Our-Cluster mergers and a post-pruning
process fitting the real dataset constraints, we ensure the synthetic graph
statistics align closely with the reference one. SynHIN generates a synthetic
heterogeneous graph dataset for node classification tasks, using the primary
motif as the explanation ground truth. It can adapt and address the lack of
heterogeneous graph datasets and motif ground truths, proving beneficial for
assessing heterogeneous graph neural network explainers. We further present a
benchmark dataset for future heterogeneous graph explainer model research. Our
work marks a significant step towards explainable AI in HGNNs.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、Eコマーススパムの検出からソーシャルネットワークの分類問題まで、さまざまな領域で優れている。
しかし、公開グラフデータセットの欠如は研究の進展を妨げ、特に異種情報ネットワーク(HIN)では顕著である。
公正なHIN比較のためのデータセットの需要は、GNN解釈モデルの進歩により増大している。
そこで本研究では,合成異種情報ネットワークを生成するユニークな手法であるSynHINを提案する。
synhinは現実世界のデータセットでモチーフを特定し、グラフ統計を要約し、合成ネットワークを構築する。
提案手法では,In-ClusterおよびOut-Cluster Mergeモジュールを用いて,一次モチーフクラスタから合成HINを構築する。
In/Our-Clusterの合併と実際のデータセット制約に適合した後処理の後に、合成グラフ統計が参照値と密接に一致することを保証する。
synhinは、ノード分類タスクのための合成不均一グラフデータセットを生成する。
不均一グラフデータセットの欠如とモチーフ基底真理に適応し、不均一グラフニューラルネットワークの説明器を評価するのに有用である。
さらに、将来の異種グラフ説明モデル研究のためのベンチマークデータセットを提案する。
私たちの研究は、HGNNにおける説明可能なAIへの大きな一歩です。
関連論文リスト
- Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-05-18T07:27:18Z) - HINormer: Representation Learning On Heterogeneous Information Networks
with Graph Transformer [29.217820912610602]
グラフトランスフォーマー(GT)は、グラフ全体にわたってもメッセージパッシングがより広範なカバレッジに伝達できるパラダイムで機能する。
ヘテロジニアス情報ネットワーク(HIN)におけるGTの探索はまだ未公開である。
本稿では,ノード表現学習のための大域集約機構を利用するHINormerという新しいモデルを提案する。
論文 参考訳(メタデータ) (2023-02-22T12:25:07Z) - RHCO: A Relation-aware Heterogeneous Graph Neural Network with
Contrastive Learning for Large-scale Graphs [26.191673964156585]
本稿では,大規模不均一グラフ表現学習のためのRelation-aware Heterogeneous Graph Neural Network with Contrastive Learning (RHCO)を提案する。
RHCOは最先端のモデルよりも優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2022-11-20T04:45:04Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳(メタデータ) (2022-09-23T05:24:18Z) - Evaluating Explainability for Graph Neural Networks [21.339111121529815]
本稿では,様々なベンチマークデータセットを生成することができる合成グラフデータ生成器ShapeGGenを紹介する。
ShapeGGenといくつかの実世界のグラフデータセットを、オープンソースのグラフ説明可能性ライブラリであるGraphXAIに含めています。
論文 参考訳(メタデータ) (2022-08-19T13:43:52Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳(メタデータ) (2022-07-06T10:01:46Z) - Bias Reduction via Cooperative Bargaining in Synthetic Graph Dataset
Generation [1.6942548626426182]
そこで本稿では,異なるメトリクスを持つグラフの偶数表現を持つ合成グラフデータセットの探索手法を提案する。
結果のデータセットは、グラフ処理テクニックのベンチマークに使用することができる。
論文 参考訳(メタデータ) (2022-05-27T11:12:50Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳(メタデータ) (2021-07-27T19:47:53Z) - GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。
本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。
GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文 参考訳(メタデータ) (2021-04-18T10:40:37Z) - Adaptive Universal Generalized PageRank Graph Neural Network [36.850433364139924]
グラフニューラルネットワーク(GNN)は、両方の証拠源を利用するように設計されている。
本稿では,GPR重みを適応的に学習する汎用PageRank (GPR) GNNアーキテクチャを提案する。
GPR-GNNは、合成データとベンチマークデータの両方の既存の技術と比較して、大幅な性能改善を提供する。
論文 参考訳(メタデータ) (2020-06-14T19:27:39Z)
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。