論文の概要: Graph Style Transfer for Counterfactual Explainability

• arxiv url: http://arxiv.org/abs/2505.17542v1
• Date: Fri, 23 May 2025 06:46:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.878516
• Title: Graph Style Transfer for Counterfactual Explainability
• Title（参考訳）: 擬似説明可能性のためのグラフスタイルの転送
• Authors: Bardh Prenkaj, Efstratios Zaradoukas, Gjergji Kasneci,
• Abstract要約: グラフ逆スタイル転送(GIST)は,グラフ反事実生成をバックトラッキングプロセスとして再定義する最初のフレームワークである。 GISTは8つのバイナリおよびマルチクラスグラフ分類ベンチマークでテストされ、生成した偽物の有効性が7.6%向上した。
• 参考スコア（独自算出の注目度）: 12.012363396611343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual explainability seeks to uncover model decisions by identifying minimal changes to the input that alter the predicted outcome. This task becomes particularly challenging for graph data due to preserving structural integrity and semantic meaning. Unlike prior approaches that rely on forward perturbation mechanisms, we introduce Graph Inverse Style Transfer (GIST), the first framework to re-imagine graph counterfactual generation as a backtracking process, leveraging spectral style transfer. By aligning the global structure with the original input spectrum and preserving local content faithfulness, GIST produces valid counterfactuals as interpolations between the input style and counterfactual content. Tested on 8 binary and multi-class graph classification benchmarks, GIST achieves a remarkable +7.6% improvement in the validity of produced counterfactuals and significant gains (+45.5%) in faithfully explaining the true class distribution. Additionally, GIST's backtracking mechanism effectively mitigates overshooting the underlying predictor's decision boundary, minimizing the spectral differences between the input and the counterfactuals. These results challenge traditional forward perturbation methods, offering a novel perspective that advances graph explainability.
• Abstract（参考訳）: 因果的説明責任は、予測された結果を変える入力に対する最小限の変更を特定することによって、モデル決定を明らかにすることを試みる。 このタスクは、構造的整合性と意味的な意味を保存するため、グラフデータにとって特に困難になる。 前向きの摂動機構に依存する従来のアプローチとは異なり、グラフ逆スタイル転送(GIST)は、スペクトルスタイル転送を利用するバックトラッキングプロセスとしてグラフ反事実生成を再想像する最初のフレームワークである。 GISTは、グローバル構造を元の入力スペクトルと整合させ、局所的な内容の忠実さを保つことにより、入力スタイルと反ファクトコンテンツの間の補間として有効な偽物を生成する。 GISTは8つのバイナリおよびマルチクラスグラフ分類ベンチマークでテストされ、真のクラス分布を忠実に説明する上で、生成した偽物の有効性と顕著な利得(+45.5%)において、注目すべき+7.6%の改善を達成した。 さらに、GISTのバックトラック機構は、基礎となる予測者の決定境界のオーバーシュートを効果的に軽減し、入力と反ファクトのスペクトル差を最小限にする。 これらの結果は従来の前方摂動法に挑戦し、グラフ説明可能性を高める新しい視点を提供する。

関連論文リスト

• DiffGraph: Heterogeneous Graph Diffusion Model [16.65576765238224]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データモデリングに革命をもたらしたが、従来のGNNは、現実のシナリオで一般的な複雑な異種構造に苦戦している。 異種グラフ拡散モデル(DiffGraph)は,革新的なクロスビュー・デノベーション・ストラテジーを導入した先駆的なフレームワークである。 中心となるDiffGraphは、高度な遅延不均一グラフ拡散機構を備え、優れたノイズ管理のための新しい前方および後方拡散プロセスを実装している。
  論文  参考訳（メタデータ） (2025-01-04T15:30:48Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• VIGraph: Generative Self-supervised Learning for Class-Imbalanced Node Classification [9.686218058331061]
  グラフデータのクラス不均衡は、ノード分類において重要な課題である。 SMOTEベースのアプローチのような既存の手法は、不均衡グラフを構築する際の限界を示す。 本稿では,変分GAEを基本モデルとする簡易かつ効果的な生成型SSL手法であるVIGraphを紹介する。
  論文  参考訳（メタデータ） (2023-11-02T12:36:19Z)
• 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)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• A Graph Data Augmentation Strategy with Entropy Preserving [11.886325179121226]
  本稿では,グラフ間の特徴情報を評価するための定量的指標として,新しいグラフエントロピー定義を提案する。 グラフエントロピーの保存を考慮し、摂動機構を用いてトレーニングデータを生成する効果的な方法を提案する。 提案手法はトレーニング過程におけるGCNの堅牢性と一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-07-13T12:58:32Z)

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。