論文の概要: GNN-XAR: A Graph Neural Network for Explainable Activity Recognition in Smart Homes

• arxiv url: http://arxiv.org/abs/2502.17999v1
• Date: Tue, 25 Feb 2025 09:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:45.768755
• Title: GNN-XAR: A Graph Neural Network for Explainable Activity Recognition in Smart Homes
• Title（参考訳）: GNN-XAR:スマートホームにおける説明可能な活動認識のためのグラフニューラルネットワーク
• Authors: Michele Fiori, Davide Mor, Gabriele Civitarese, Claudio Bettini,
• Abstract要約: 本稿では,スマートホームHAR用に設計された最初の説明可能なグラフニューラルネットワークを提案する。 2つの公開データセットで得られた結果は、このアプローチが最先端の手法よりも優れた説明を提供することを示している。
• 参考スコア（独自算出の注目度）: 0.29998889086656577
• License:
• Abstract: Sensor-based Human Activity Recognition (HAR) in smart home environments is crucial for several applications, especially in the healthcare domain. The majority of the existing approaches leverage deep learning models. While these approaches are effective, the rationale behind their outputs is opaque. Recently, eXplainable Artificial Intelligence (XAI) approaches emerged to provide intuitive explanations to the output of HAR models. To the best of our knowledge, these approaches leverage classic deep models like CNNs or RNNs. Recently, Graph Neural Networks (GNNs) proved to be effective for sensor-based HAR. However, existing approaches are not designed with explainability in mind. In this work, we propose the first explainable Graph Neural Network explicitly designed for smart home HAR. Our results on two public datasets show that this approach provides better explanations than state-of-the-art methods while also slightly improving the recognition rate.
• Abstract（参考訳）: スマートホーム環境におけるセンサベースのヒューマンアクティビティ認識(HAR)は、いくつかのアプリケーション、特に医療領域において不可欠である。 既存のアプローチの大半は、ディープラーニングモデルを活用しています。 これらのアプローチは効果的であるが、アウトプットの背後にある理論的根拠は不透明である。 近年,HARモデルの出力を直感的に説明するために,eXplainable Artificial Intelligence (XAI)アプローチが出現している。 我々の知る限りでは、これらのアプローチはCNNやRNNのような古典的なディープモデルを活用する。 近年,グラフニューラルネットワーク(GNN)はセンサベースのHARに有効であることが判明した。 しかし、既存のアプローチは説明責任を念頭に設計されていない。 本研究では,スマートホームHARのためのグラフニューラルネットワークを提案する。 2つの公開データセットの結果から,この手法は最先端の手法よりも優れた説明を提供すると同時に,認識率をわずかに改善することを示した。

関連論文リスト

• Do graph neural network states contain graph properties? [5.222978725954348]
  診断分類器を用いたグラフニューラルネットワーク(GNN)のモデル説明可能性パイプラインを提案する。 このパイプラインは、さまざまなアーキテクチャやデータセットにわたるGNNの学習した表現を探索し、解釈することを目的としている。
  論文  参考訳（メタデータ） (2024-11-04T15:26:07Z)
• Know Thy Neighbors: A Graph Based Approach for Effective Sensor-Based Human Activity Recognition in Smart Homes [0.0]
  スマートホームにおけるヒューマンアクティビティ認識(HAR)のためのグラフ誘導ニューラルネットワーク手法を提案する。 スマートホームにおけるセンサネットワークを表す,より表現力のあるグラフ構造を学習することで,これを実現する。 本手法は,アテンション機構の適用により,個別の入力センサ計測を特徴空間にマッピングする。
  論文  参考訳（メタデータ） (2023-11-16T02:43:13Z)
• How Graph Neural Networks Learn: Lessons from Training Dynamics [80.41778059014393]
  グラフニューラルネットワーク(GNN)の関数空間におけるトレーニングダイナミクスについて検討する。 GNNの勾配勾配勾配最適化は暗黙的にグラフ構造を利用して学習関数を更新する。 この発見は、学習したGNN関数が一般化した時期と理由に関する新たな解釈可能な洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-08T10:19:56Z)
• Foiling Explanations in Deep Neural Networks [0.0]
  本稿では,画像ベースDNNにおける説明手法の問題点を明らかにする。 進化戦略を用いて、説明を任意に操作する方法を実証する。 我々の新しいアルゴリズムは、人間の目では認識できない方法で画像の操作に成功している。
  論文  参考訳（メタデータ） (2022-11-27T15:29:39Z)
• Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks [0.0]
  本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。 GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。 本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
  論文  参考訳（メタデータ） (2022-07-14T10:59:39Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• A Practical Tutorial on Graph Neural Networks [49.919443059032226]
  グラフニューラルネットワーク(GNN)は、人工知能(AI)分野において最近人気が高まっている。 このチュートリアルでは、GNNのパワーとノベルティをAI実践者に公開している。
  論文  参考訳（メタデータ） (2020-10-11T12:36:17Z)
• XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
  グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。 我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
  論文  参考訳（メタデータ） (2020-06-03T23:52:43Z)
• Towards an Efficient and General Framework of Robust Training for Graph Neural Networks [96.93500886136532]
  グラフニューラルネットワーク(GNN)は、いくつかの基本的な推論タスクに大きく進歩している。 GNNの目覚ましい性能にもかかわらず、グラフ構造上の摂動を慎重に作り、誤った予測を下すことが観察されている。 我々は,強靭なGNNを得るために,欲求探索アルゴリズムとゼロ階法を利用する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T15:17:58Z)
• Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
  グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。 本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。 私たちはNode Maskingというシンプルなコンセプトを導入しました。
  論文  参考訳（メタデータ） (2020-01-17T06:26:40Z)

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。