論文の概要: Z-REx: Human-Interpretable GNN Explanations for Real Estate Recommendations

• arxiv url: http://arxiv.org/abs/2503.18001v2
• Date: Mon, 30 Jun 2025 16:05:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 15:08:39.167339
• Title: Z-REx: Human-Interpretable GNN Explanations for Real Estate Recommendations
• Title（参考訳）: Z-REx: 不動産レコメンデーションのための人間解釈型GNN説明
• Authors: Kunal Mukherjee, Zachary Harrison, Saeid Balaneshin,
• Abstract要約: この研究は、異種リンク予測タスク用に明示的に設計されたGNN説明フレームワークであるZ-RExを紹介する。 Z-RExは、構造と属性の摂動を利用して、重要なサブ構造と重要な特徴を識別し、ドメイン固有の知識を活用して検索空間を縮小する。 我々は,Zillow Group, Inc. のリアル・リアル・ステート・データセットを用いて,GNN ベースのレコメンデーションエンジン ZiGNN に対して,文脈的・人間的解釈可能な説明を生成する上で,Z-REx の有効性を示す。
• 参考スコア（独自算出の注目度）: 0.358439716487063
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transparency and interpretability are crucial for enhancing customer confidence and user engagement, especially when dealing with black-box Machine Learning (ML)-based recommendation systems. Modern recommendation systems leverage Graph Neural Network (GNN) due to their ability to produce high-quality recommendations in terms of both relevance and diversity. Therefore, the explainability of GNN is especially important for Link Prediction (LP) tasks since recommending relevant items can be viewed as predicting links between users and items. GNN explainability has been a well-studied field, but existing methods primarily focus on node or graph-level tasks, leaving a gap in LP explanation techniques. This work introduces Z-REx, a GNN explanation framework designed explicitly for heterogeneous link prediction tasks. Z-REx utilizes structural and attribute perturbation to identify critical substructures and important features while reducing the search space by leveraging domain-specific knowledge. In our experimentation, we show the efficacy of Z-REx in generating contextually relevant and human-interpretable explanations for ZiGNN, a GNN-based recommendation engine, using a real-world real-estate dataset from Zillow Group, Inc. We compare against State-of-The-Art (SOTA) GNN explainers to show Z-REx outperforms them by 61% in the Fidelity metric by producing superior human-interpretable explanations.
• Abstract（参考訳）: 透明性と解釈性は、特にブラックボックス機械学習(ML)ベースのレコメンデーションシステムを扱う場合、顧客の信頼とユーザエンゲージメントを高めるために不可欠である。 現代のレコメンデーションシステムは、関連性と多様性の両方の観点から高品質なレコメンデーションを生成する能力のために、グラフニューラルネットワーク(GNN)を活用している。 したがって,リンク予測(LP)タスクにおいては,ユーザとアイテム間のリンクの予測として,関連項目を推奨することが特に重要である。 GNN説明可能性(英語版)はよく研究されている分野であるが、既存の手法は主にノードレベルのタスクやグラフレベルのタスクに重点を置いており、LP説明技法の差を残している。 この研究は、異種リンク予測タスク用に明示的に設計されたGNN説明フレームワークであるZ-RExを紹介する。 Z-RExは、構造と属性の摂動を利用して、重要なサブ構造と重要な特徴を識別し、ドメイン固有の知識を活用して検索空間を縮小する。 実験では,Zillow Group, Inc. のリアル・リアル・ステート・データセットを用いて,GNN ベースのレコメンデーションエンジン ZiGNN に対して,文脈的・人間的解釈可能な説明を生成する上で,Z-REx の有効性を示す。 そこで我々は,SOTA(State-of-The-Art) GNN説明器と比較し,Z-RExが優れた人間解釈可能な説明を生成することにより,フィデリティ測定において61%向上することを示す。

関連論文リスト

• ContextGNN goes to Elliot: Towards Benchmarking Relational Deep Learning for Static Link Prediction (aka Personalized Item Recommendation) [47.31312886129455]
  3つの標準レコメンデーションデータセットと、6つの最先端のGNNベースのレコメンデーションシステムに対して実験を行う。 Amazon Bookの従来の静的リンク予測タスクに対する予備的なテストは、ContextGNNがまだ改善の余地があることを実証した。
  論文  参考訳（メタデータ） (2025-03-20T19:17:09Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
  本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。 標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。 ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-02T17:57:38Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Learning Scalable Structural Representations for Link Prediction with Bloom Signatures [39.63963077346406]
  グラフニューラルネットワーク(GNN)は、リンク予測タスクでサブ最適に実行されることが知られている。 本稿では,Bloomシグネチャを用いたGNNのメッセージパッシングフレームワークを拡張し,構造的リンク表現の学習を提案する。 提案モデルでは,既存のエッジワイドGNNモデルと同等あるいは優れた性能を実現している。
  論文  参考訳（メタデータ） (2023-12-28T02:21:40Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• Interpreting GNN-based IDS Detections Using Provenance Graph Structural Features [15.256262257064982]
  ProVEXPLAINERは,解釈可能なサロゲートモデルを用いて,インスタンスレベルのセキュリティ対応の説明を提供するフレームワークである。 マルウェアとAPTデータセットでは、PROVEXPLAINERは29%/27%/25%高いフィディリティ+、精度とリコール、それぞれ12%低いフィディリティを達成している。
  論文  参考訳（メタデータ） (2023-06-01T17:36:24Z)
• 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)
• GraphFramEx: Towards Systematic Evaluation of Explainability Methods for Graph Neural Networks [15.648750523827616]
  3つの異なる「ユーザニーズ」に対する説明可能性を考慮したGNN説明可能性のための最初の体系的評価フレームワークを提案する。 不適切なが広く使われている合成ベンチマークでは、パーソナライズされたPageRankのような驚くほど浅いテクニックが最小限の計算時間で最高のパフォーマンスを持つ。 しかし,グラフ構造が複雑で有意義な特徴を持つ場合,評価基準に従って勾配法が最適である。
  論文  参考訳（メタデータ） (2022-06-20T09:33:12Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)

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。