論文の概要: MBExplainer: Multilevel bandit-based explanations for downstream models with augmented graph embeddings

• arxiv url: http://arxiv.org/abs/2411.00287v1
• Date: Fri, 01 Nov 2024 00:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:50:47.276402
• Title: MBExplainer: Multilevel bandit-based explanations for downstream models with augmented graph embeddings
• Title（参考訳）: MBExplainer:グラフ埋め込みを付加した下流モデルのマルチレベルバンディットに基づく説明
• Authors: Ashkan Golgoon, Ryan Franks, Khashayar Filom, Arjun Ravi Kannan,
• Abstract要約: グラフ埋め込みを付加した下流モデルに対するモデルに依存しない説明手法MBExplainerを提案する。 説明を見つけるには、各コンポーネントに対応する対応するローカル検索空間を効率的に検索する必要がある。 複数の公開グラフデータセットに包括的数値例を示すことで,MBExplainerの有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In many industrial applications, it is common that the graph embeddings generated from training GNNs are used in an ensemble model where the embeddings are combined with other tabular features (e.g., original node or edge features) in a downstream ML task. The tabular features may even arise naturally if, e.g., one tries to build a graph such that some of the node or edge features are stored in a tabular format. Here we address the problem of explaining the output of such ensemble models for which the input features consist of learned neural graph embeddings combined with additional tabular features. We propose MBExplainer, a model-agnostic explanation approach for downstream models with augmented graph embeddings. MBExplainer returns a human-legible triple as an explanation for an instance prediction of the whole pipeline consisting of three components: a subgraph with the highest importance, the topmost important nodal features, and the topmost important augmented downstream features. A game-theoretic formulation is used to take the contributions of each component and their interactions into account by assigning three Shapley values corresponding to their own specific games. Finding the explanation requires an efficient search through the corresponding local search spaces corresponding to each component. MBExplainer applies a novel multilevel search algorithm that enables simultaneous pruning of local search spaces in a computationally tractable way. In particular, three interweaved Monte Carlo Tree Search are utilized to iteratively prune the local search spaces. MBExplainer also includes a global search algorithm that uses contextual bandits to efficiently allocate pruning budget among the local search spaces. We show the effectiveness of MBExplainer by presenting a set of comprehensive numerical examples on multiple public graph datasets for both node and graph classification tasks.
• Abstract（参考訳）: 多くの産業アプリケーションでは、GNNのトレーニングから生成されたグラフ埋め込みが、下流MLタスクの他のタブ機能(例えば、元のノードやエッジ機能)と組み合わさったアンサンブルモデルで使用されるのが一般的である。 例えば、ノードやエッジの機能の一部が表形式で格納されるようにグラフを構築しようとすると、表の機能は自然に現れるかもしれません。 ここでは、学習したニューラルネットワークの埋め込みと追加の表付き特徴を組み合わせた入力特徴を持つアンサンブルモデルの出力を説明する問題に対処する。 グラフ埋め込みを付加した下流モデルに対するモデルに依存しない説明手法MBExplainerを提案する。 MBExplainerは3つのコンポーネントからなるパイプライン全体のインスタンス予測のための説明として、人間の説明可能なトリプルを返す。 ゲーム理論の定式化は、各コンポーネントとその相互作用の寄与を考慮に入れ、それぞれの特定のゲームに対応する3つのShapley値を割り当てる。 説明を見つけるには、各コンポーネントに対応する対応するローカル検索空間を効率的に検索する必要がある。 MBExplainerは、局所探索空間を計算的に抽出可能な方法で同時に刈り取ることのできる、新しいマルチレベル探索アルゴリズムを適用している。 特に,3本のモンテカルロ木探索を用いて局所探索空間を反復的に探索する。 MBExplainerにはグローバル検索アルゴリズムも含まれている。 本稿では,複数の公開グラフデータセットに対して,ノード分類タスクとグラフ分類タスクの総合的な数値例を提示することにより,MBExplainerの有効性を示す。

関連論文リスト

• Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect Sentiment Triplet Extraction [63.0205418944714]
  Aspect Sentiment Triplet extract (ASTE)は、ある文の三つ子を抽出する新しいタスクである。 近年の研究では、単語関係を二次元テーブルにエンコードするテーブル充填パラダイムを用いてこの問題に対処する傾向にある。 本稿では, 関係表をグラフに変換し, より包括的な関係情報を探索する, Prompt-based Tri-Channel Graph Convolution Neural Network (PT-GCN) と呼ばれるASTEタスクの新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-18T12:46:09Z)
• Learning to Count Isomorphisms with Graph Neural Networks [16.455234748896157]
  グラフ上の部分グラフ同型カウントは重要な問題である。 本稿では,グラフアイソモーフィズムカウントのための新しいグラフニューラルネットワークであるCount-GNNを提案する。
  論文  参考訳（メタデータ） (2023-02-07T05:32:11Z)
• 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)
• 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)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Interactive Visual Pattern Search on Graph Data via Graph Representation Learning [20.795511688640296]
  視覚分析システムGraphQは、ループ内、サンプルベース、サブグラフパターン検索をサポートする。 高速で対話的なクエリをサポートするために、グラフニューラルネットワーク(GNN)を使用して、グラフを固定長潜在ベクトル表現としてエンコードする。 また,NuroAlignと呼ばれるノードアライメントのための新しいGNNを提案し,クエリ結果の検証と解釈を容易にする。
  論文  参考訳（メタデータ） (2022-02-18T22:30:28Z)
• Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
  ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。 時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-11T16:15:25Z)
• Non-Local Feature Aggregation on Graphs via Latent Fixed Data Structures [26.856125311222986]
  グラフニューラルネットワーク(GNN)におけるグローバルな特徴集約のための新しいアプローチを提案する。 本稿では,ループ,3次元テンソル(画像),シーケンス,データ駆動グラフ,抽出したローカル特徴ベクトルを分類・分布するアルゴリズムなど,複数のLFDSを紹介する。 提案手法の計算複雑性は入力グラフの順序と線形であるが、競合性やより良い結果が得られる。
  論文  参考訳（メタデータ） (2021-08-16T11:43:04Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
  グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。 ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。 これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
  論文  参考訳（メタデータ） (2021-02-09T11:39:06Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。