Fugu-MT 論文翻訳(概要): Faithful Interpretation for Graph Neural Networks

論文の概要: Faithful Interpretation for Graph Neural Networks

arxiv url: http://arxiv.org/abs/2410.06950v1
Date: Wed, 9 Oct 2024 14:47:12 GMT
ステータス: 処理完了
システム内更新日: 2024-10-31 23:27:23.531283
Title: Faithful Interpretation for Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークの忠実解釈
Authors: Lijie Hu, Tianhao Huang, Lu Yu, Wanyu Lin, Tianhang Zheng, Di Wang,
Abstract要約: FGAI(Fhithful Graph Attention-based Interpretation)という新しい概念を導入する。 FGAIには、安定性と解釈に対する感受性と最終的な出力分布に関する4つの重要な特性がある。実験により,FGAIは優れた安定性を示し,様々な形態の摂動とランダム性の下で注意の解釈可能性を維持することが示された。
参考スコア（独自算出の注目度）: 21.605313238266643
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Currently, attention mechanisms have garnered increasing attention in Graph Neural Networks (GNNs), such as Graph Attention Networks (GATs) and Graph Transformers (GTs). It is not only due to the commendable boost in performance they offer but also its capacity to provide a more lucid rationale for model behaviors, which are often viewed as inscrutable. However, Attention-based GNNs have demonstrated instability in interpretability when subjected to various sources of perturbations during both training and testing phases, including factors like additional edges or nodes. In this paper, we propose a solution to this problem by introducing a novel notion called Faithful Graph Attention-based Interpretation (FGAI). In particular, FGAI has four crucial properties regarding stability and sensitivity to interpretation and final output distribution. Built upon this notion, we propose an efficient methodology for obtaining FGAI, which can be viewed as an ad hoc modification to the canonical Attention-based GNNs. To validate our proposed solution, we introduce two novel metrics tailored for graph interpretation assessment. Experimental results demonstrate that FGAI exhibits superior stability and preserves the interpretability of attention under various forms of perturbations and randomness, which makes FGAI a more faithful and reliable explanation tool.
Abstract（参考訳）: 現在,グラフアテンションネットワーク(GAT)やグラフトランスフォーマー(GT)など,グラフニューラルネットワーク(GNN)の注目度が高まっている。それは、彼らが提供するパフォーマンスが向上するだけでなく、しばしば調査不可能と見なされるモデル行動に対してより巧妙な論理的根拠を提供する能力によってもたらされる。しかしながら、注意に基づくGNNは、追加のエッジやノードなどの要因を含むトレーニングフェーズとテストフェーズの両方で様々な摂動の源となる場合、解釈可能性の不安定さを証明している。本稿では,FGAI(Fhithful Graph Attention-based Interpretation)という新しい概念を導入することにより,この問題に対する解決策を提案する。特に、FGAIは、安定性と解釈に対する感受性と最終的な出力分布に関する4つの重要な特性を持っている。この概念に基づいて,本論文では,標準注意に基づくGNNのアドホックな修正と見なせるFGAIを得るための効率的な手法を提案する。提案手法を検証するために,グラフ解釈評価に適した2つの新しい指標を提案する。実験により,FGAIは優れた安定性を示し,様々な形態の摂動やランダム性の下での注意の解釈可能性を維持しており,FGAIをより忠実で信頼性の高い説明ツールであることが示された。

関連論文リスト

Kolmogorov-Arnold Graph Neural Networks [2.4005219869876453]
グラフニューラルネットワーク(GNN)は、ネットワークのようなデータから学習する上で優れるが、解釈性に欠けることが多い。本稿では,GKAN(Graph Kolmogorov-Arnold Network)を提案する。
論文参考訳（メタデータ） (2024-06-26T13:54:59Z)
Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文参考訳（メタデータ） (2024-03-11T21:54:52Z)
Design Your Own Universe: A Physics-Informed Agnostic Method for Enhancing Graph Neural Networks [34.16727363891593]
グラフニューラルネットワーク(GNN)のためのモデルに依存しない拡張フレームワークを提案する。このフレームワークは、追加ノードを導入し、負の重み付けと負の重み付けの両方で接続を切り替えることでグラフ構造を豊かにする。提案手法によって強化されたGNNが,過度にスムースな問題を効果的に回避し,過度なスキャッシングに対する堅牢性を示すことを理論的に検証する。好中球グラフ,ヘテロ親和性グラフ,長期グラフデータセットのベンチマークにおける実証的検証により,本手法により強化されたGNNが元のグラフよりも有意に優れていることが示された。
論文参考訳（メタデータ） (2024-01-26T00:47:43Z)
Robust Node Representation Learning via Graph Variational Diffusion Networks [7.335425547621226]
近年,グラフ構造における摂動により,GNNに基づくノード表現学習が著しく劣化する可能性が示唆されている。摂動の存在下で頑健なノード表現を学習するために、GNNを保護するための様々な研究が提案されている。本稿では,ガウス雑音を効果的に制御し,摂動グラフ上のロバスト性を保護する新しいノードエンコーダであるグラフ変分拡散ネットワーク(GVDN)を提案する。
論文参考訳（メタデータ） (2023-12-18T03:18:53Z)
GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
論文参考訳（メタデータ） (2023-10-23T05:51:59Z)
Towards Robust Fidelity for Evaluating Explainability of Graph Neural Networks [32.345435955298825]
グラフニューラルネットワーク(GNN)は、グラフノード間のメッセージパッシングを介してグラフィカルデータの依存性構造を利用するニューラルネットワークである。 GNN説明可能性の研究における主な課題は、これらの説明機能の性能を評価するための忠実度尺度を提供することである。本稿では,この基礎的課題について考察し,その限界を浮き彫りにする。
論文参考訳（メタデータ） (2023-10-03T06:25:14Z)
ACGAN-GNNExplainer: Auxiliary Conditional Generative Explainer for Graph Neural Networks [7.077341403454516]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで有効であることが証明されているが、その基盤となるメカニズムは謎のままである。この課題に対処し、信頼性の高い意思決定を可能にするため、近年多くのGNN説明者が提案されている。本稿では、GNN説明分野にAuxiliary Generative Adrative Network (ACGAN)を導入し、emphACGANGNNExplainerと呼ばれる新しいGNN説明器を提案する。
論文参考訳（メタデータ） (2023-09-29T01:20:28Z)
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)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文参考訳（メタデータ） (2021-11-20T18:57:18Z)
Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。 GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
論文参考訳（メタデータ） (2021-10-07T15:54:42Z)

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。