論文の概要: Generating Human Understandable Explanations for Node Embeddings

• arxiv url: http://arxiv.org/abs/2406.07642v1
• Date: Tue, 11 Jun 2024 18:16:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 21:25:46.372988
• Title: Generating Human Understandable Explanations for Node Embeddings
• Title（参考訳）: ノード埋め込みのための人間の理解できない説明の生成
• Authors: Zohair Shafi, Ayan Chatterjee, Tina Eliassi-Rad,
• Abstract要約: 我々は、Q2に答えるために、XM(eXplain eMbeddingのショート)と呼ばれる新しいフレームワークを紹介します。 XMの重要な側面は、生成された説明の核規範を最小化することである。 XM は既存のノード埋め込み手法の性能を保っているだけでなく,その説明可能性を高めることも示している。
• 参考スコア（独自算出の注目度）: 1.4497190759588077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Node embedding algorithms produce low-dimensional latent representations of nodes in a graph. These embeddings are often used for downstream tasks, such as node classification and link prediction. In this paper, we investigate the following two questions: (Q1) Can we explain each embedding dimension with human-understandable graph features (e.g. degree, clustering coefficient and PageRank). (Q2) How can we modify existing node embedding algorithms to produce embeddings that can be easily explained by human-understandable graph features? We find that the answer to Q1 is yes and introduce a new framework called XM (short for eXplain eMbedding) to answer Q2. A key aspect of XM involves minimizing the nuclear norm of the generated explanations. We show that by minimizing the nuclear norm, we minimize the lower bound on the entropy of the generated explanations. We test XM on a variety of real-world graphs and show that XM not only preserves the performance of existing node embedding methods, but also enhances their explainability.
• Abstract（参考訳）: ノード埋め込みアルゴリズムはグラフ内のノードの低次元潜在表現を生成する。 これらの埋め込みは、ノード分類やリンク予測といった下流タスクによく使用される。 本稿では,次の2つの質問について検討する: (Q1) 埋め込み次元を人間の理解可能なグラフ特徴(例えば,クラスタリング係数,PageRank)で説明できる。 (Q2) 既存のノード埋め込みアルゴリズムをどう修正すれば、人間の理解可能なグラフ機能で簡単に説明できる埋め込みを生成することができるのか? Q1への回答はイエスであり、Q2に答えるためにXM(eXplain eMbeddingのショート)と呼ばれる新しいフレームワークを導入する。 XMの重要な側面は、生成された説明の核規範を最小化することである。 核規範を最小化することにより、生成した説明のエントロピーの低い境界を最小化することを示す。 我々は,XMを実世界の様々なグラフ上でテストし,XMが既存のノード埋め込み手法の性能を保っているだけでなく,その説明可能性も向上していることを示す。

関連論文リスト

• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• View-based Explanations for Graph Neural Networks [27.19300566616961]
  本稿では,表現のためのグラフビューを生成する新しいパラダイムであるGVEXを提案する。 この戦略は近似比が1/2であることを示す。 第2のアルゴリズムは、インプットノードストリームへの単一パスをバッチで実行し、説明ビューを漸進的に維持する。
  論文  参考訳（メタデータ） (2024-01-04T06:20:24Z)
• DINE: Dimensional Interpretability of Node Embeddings [3.3040172566302206]
  ノード埋め込みのようなグラフ表現学習手法は、ノードを潜在ベクトル空間にマッピングするための強力なアプローチである。 埋め込みベクトルのグローバル解釈可能性を測定する新しい指標を開発した。 次に、タスク性能を犠牲にすることなく、より解釈しやすくすることで、既存のノード埋め込みを再現できる新しいアプローチであるDINEを紹介します。
  論文  参考訳（メタデータ） (2023-10-02T12:47:42Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• 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)
• Transformation of Node to Knowledge Graph Embeddings for Faster Link Prediction in Social Networks [2.458658951393896]
  ニューラルネットワークの最近の進歩は、リンク予測、ノード分類、ノードクラスタリング、ノードレコメンデーションといった一般的なグラフ問題を解決している。 本研究では,ランダムウォーク法から得られるノード埋め込みを,計算コストを増大させることなく,知識グラフ法から直接得られる埋め込みに変換する変換モデルについて検討する。
  論文  参考訳（メタデータ） (2021-11-17T04:57:41Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Graph Entropy Guided Node Embedding Dimension Selection for Graph Neural Networks [74.26734952400925]
  ノード埋め込み次元選択(NEDS)のための最小グラフエントロピー(MinGE)アルゴリズムを提案する。 ミンゲは、グラフ上の特徴エントロピーと構造エントロピーの両方を考えており、それらはそれらのリッチな情報の特徴に従って慎重に設計されている。 ベンチマークデータセット上で人気のグラフニューラルネットワーク(GNN)を用いた実験は,提案したMinGEの有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2021-05-07T11:40:29Z)
• 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)

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。