論文の概要: Explaining Graph Neural Networks via Structure-aware Interaction Index

• arxiv url: http://arxiv.org/abs/2405.14352v1
• Date: Thu, 23 May 2024 09:24:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 17:54:56.006854
• Title: Explaining Graph Neural Networks via Structure-aware Interaction Index
• Title（参考訳）: 構造認識相互作用指標によるグラフニューラルネットワークの解説
• Authors: Ngoc Bui, Hieu Trung Nguyen, Viet Anh Nguyen, Rex Ying,
• Abstract要約: 本稿では,グラフ構造を内部化してノード値とノード間の相互作用値に寄与させるMyerson-Taylor相互作用指標を提案する。 そこで我々は,MAGE (Myerson-Taylor Structure-Aware Graph Explainer) を提案する。
• 参考スコア（独自算出の注目度）: 24.64611111926963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Shapley value is a prominent tool for interpreting black-box machine learning models thanks to its strong theoretical foundation. However, for models with structured inputs, such as graph neural networks, existing Shapley-based explainability approaches either focus solely on node-wise importance or neglect the graph structure when perturbing the input instance. This paper introduces the Myerson-Taylor interaction index that internalizes the graph structure into attributing the node values and the interaction values among nodes. Unlike the Shapley-based methods, the Myerson-Taylor index decomposes coalitions into components satisfying a pre-chosen connectivity criterion. We prove that the Myerson-Taylor index is the unique one that satisfies a system of five natural axioms accounting for graph structure and high-order interaction among nodes. Leveraging these properties, we propose Myerson-Taylor Structure-Aware Graph Explainer (MAGE), a novel explainer that uses the second-order Myerson-Taylor index to identify the most important motifs influencing the model prediction, both positively and negatively. Extensive experiments on various graph datasets and models demonstrate that our method consistently provides superior subgraph explanations compared to state-of-the-art methods.
• Abstract（参考訳）: Shapleyの価値は、その強力な理論的基盤のおかげで、ブラックボックス機械学習モデルを解釈するための顕著なツールである。 しかしながら、グラフニューラルネットワークのような構造化された入力を持つモデルでは、既存のShapleyベースの説明可能性アプローチは、入力インスタンスを摂動する際にノード単位の重要さのみに焦点を当てるか、グラフ構造を無視している。 本稿では,グラフ構造を内部化してノード値とノード間の相互作用値に寄与させるMyerson-Taylor相互作用指標を提案する。 Shapley ベースの方法とは異なり、Myerson-Taylor インデックスは、結合前の接続基準を満たすコンポーネントに連立を分解する。 グラフ構造とノード間の高次相互作用を考慮に入れた5つの自然な公理系を満たすのは、マイソン・テイラー指数であることを示す。 これらの特性を活用することで、モデル予測に影響を及ぼす最も重要なモチーフを正と負の両方で識別するために、MAGE(Myerson-Taylor Structure-Aware Graph Explainer)という2階のMyerson-Taylorインデックスを用いた新しい説明器を提案する。 各種グラフデータセットおよびモデルに対する広範囲な実験により,本手法は最先端の手法よりも優れたサブグラフ説明を一貫して提供することを示した。

関連論文リスト

• GraphGI:A GNN Explanation Method using Game Interaction [5.149896909638598]
  グラフニューラルネットワーク(GNN)は、様々な領域で広く利用されている。 現在のグラフ説明技術は、キーノードやエッジの識別に重点を置いており、モデル予測を駆動する重要なデータ機能に寄与している。 本稿では,対話力の高い連立関係を識別し,説明文として提示する新しい説明法GraphGIを提案する。
  論文  参考訳（メタデータ） (2024-09-24T03:24:31Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Generative Models and Learning Algorithms for Core-Periphery Structured Graphs [13.90938823562779]
  ノード属性と接続構造からグラフのコアスコアを学習することに注力する。 グラフ構造とノード属性の両方が利用できる場合、グラフのモデルパラメータとコアスコアを推定するアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-10-04T09:44:09Z)
• Explaining Graph-level Predictions with Communication Structure-Aware Cooperative Games [36.9203376697204]
  グラフ説明におけるShapley値の妥当性を再検討し、グラフレベルの予測において最も重要な部分グラフと構成ノードを特定する。 本稿では、重要なグラフ構造情報を活用して説明を改善するグラフ構造対応eXplanation(GStarX)法を提案する。
  論文  参考訳（メタデータ） (2022-01-28T19:19:39Z)
• Learning Sparse Graphs with a Core-periphery Structure [14.112444998191698]
  本稿では,コア周辺構造ネットワークに関連するデータ生成モデルを提案する。 ネットワークのコア部分における密接な(疎い)接続を誘導するスパースグラフとニューダルコアスコアを推論する。
  論文  参考訳（メタデータ） (2021-10-08T10:41:30Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• 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)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)

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。