論文の概要: Graph Edits for Counterfactual Explanations: A Unified GNN Approach
- arxiv url: http://arxiv.org/abs/2401.11609v1
- Date: Sun, 21 Jan 2024 22:11:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 15:45:28.759590
- Title: Graph Edits for Counterfactual Explanations: A Unified GNN Approach
- Title(参考訳): 対実的説明のためのグラフ編集:統一GNNアプローチ
- Authors: Nikolaos Chaidos, Angeliki Dimitriou, Maria Lymperaiou, Giorgos Stamou
- Abstract要約: 入力データをグラフとして表現すべきだろうか。最も短いグラフ編集パスである。
- 参考スコア(独自算出の注目度): 1.6541870997607049
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Counterfactuals have been established as a popular explainability technique
which leverages a set of minimal edits to alter the prediction of a classifier.
When considering conceptual counterfactuals, the edits requested should
correspond to salient concepts present in the input data. At the same time,
conceptual distances are defined by knowledge graphs, ensuring the optimality
of conceptual edits. In this work, we extend previous endeavors on conceptual
counterfactuals by introducing \textit{graph edits as counterfactual
explanations}: should we represent input data as graphs, which is the shortest
graph edit path that results in an alternative classification label as provided
by a black-box classifier?
- Abstract(参考訳): counterfactualsは、分類器の予測を変更するために、最小限の編集セットを利用する一般的な説明可能性技術として確立されている。
概念的反事実を考える場合、要求された編集は入力データに存在する健全な概念に対応するべきである。
同時に、概念距離は知識グラフによって定義され、概念編集の最適性を保証する。
本研究は, グラフとして入力データを表現すべきか, ブラックボックス分類器によって提供される代替分類ラベルとなる最短のグラフ編集経路である。
関連論文リスト
- Structure Your Data: Towards Semantic Graph Counterfactuals [1.9939549451457024]
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) - Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph
Matching [68.35685422301613]
そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。
ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。
合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
論文 参考訳(メタデータ) (2023-01-07T05:14:45Z) - Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。
予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。
そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文 参考訳(メタデータ) (2022-12-08T11:53:12Z) - Leveraging Wikidata's edit history in knowledge graph refinement tasks [77.34726150561087]
編集履歴は、コミュニティが何らかのファジィで分散した合意に達する過程を表す。
Wikidataで最も重要な100のクラスから、すべてのインスタンスの編集履歴を含むデータセットを構築します。
タイプ予測タスクのための知識グラフ埋め込みモデルにおいて,この編集履歴情報を活用する2つの新しい手法を提案し,評価する。
論文 参考訳(メタデータ) (2022-10-27T14:32:45Z) - A Symbolic Approach for Counterfactual Explanations [18.771531343438227]
本稿では,分類器の予測に反実的な説明を与えるための新しいシンボリックアプローチを提案する。
我々のアプローチは、等価なCNF式で分類器の決定関数を符号化するという意味で象徴的である。
論文 参考訳(メタデータ) (2022-06-20T08:38:54Z) - FactGraph: Evaluating Factuality in Summarization with Semantic Graph
Representations [114.94628499698096]
文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。
MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。
事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
論文 参考訳(メタデータ) (2022-04-13T16:45:33Z) - VAE-CE: Visual Contrastive Explanation using Disentangled VAEs [3.5027291542274357]
変分自己エンコーダに基づくコントラスト説明(VAE-CE)
本研究では,各次元をアンタングル化するための新しい教師付き手法で拡張した,アンタングル付きVAEを用いたモデルを構築した。
合成データとMNISTの分析は、解離と説明の両方へのアプローチが他の方法よりも有利であることを示している。
論文 参考訳(メタデータ) (2021-08-20T13:15:24Z) - Node Classification Meets Link Prediction on Knowledge Graphs [16.37145148171519]
不完全グラフ上のトランスダクティブノード分類の問題とノード特徴を持つグラフ上のリンク予測について検討する。
ノード分類とリンク予測のための各最先端モデルと比較すると,本モデルは非常に強く機能する。
論文 参考訳(メタデータ) (2021-06-14T10:52:52Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Graph Edit Distance Reward: Learning to Edit Scene Graph [69.39048809061714]
本研究では,これまで検討されていないユーザ指示に従ってシーングラフを編集する手法を提案する。
具体的には,テキストから得られるセマンティクスとしてシーングラフの編集を学習するために,グラフ編集距離再帰(Graph Edit Distance Reward)を提案する。
テキスト編集画像検索の文脈において,CSSおよびCRIRデータセットにおける本手法の有効性を検証する。
論文 参考訳(メタデータ) (2020-08-15T04:52:16Z)
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。