論文の概要: Is Your Explanation Reliable: Confidence-Aware Explanation on Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2506.00437v1
• Date: Sat, 31 May 2025 07:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.069861
• Title: Is Your Explanation Reliable: Confidence-Aware Explanation on Graph Neural Networks
• Title（参考訳）: あなたの説明は信頼できるか? 信頼を意識したグラフニューラルネットワークの解説
• Authors: Jiaxing Zhang, Xiaoou Liu, Dongsheng Luo, Hua Wei,
• Abstract要約: 本稿では,信頼度評価モジュール(ConfExplainer)を用いた説明フレームワークを提案する。 実験の結果,GNN説明の堅牢性と信頼性を高める上での信頼性スコアの有効性が示された。
• 参考スコア（独自算出の注目度）: 10.968491611749323
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Explaining Graph Neural Networks (GNNs) has garnered significant attention due to the need for interpretability, enabling users to understand the behavior of these black-box models better and extract valuable insights from their predictions. While numerous post-hoc instance-level explanation methods have been proposed to interpret GNN predictions, the reliability of these explanations remains uncertain, particularly in the out-of-distribution or unknown test datasets. In this paper, we address this challenge by introducing an explainer framework with the confidence scoring module ( ConfExplainer), grounded in theoretical principle, which is generalized graph information bottleneck with confidence constraint (GIB-CC), that quantifies the reliability of generated explanations. Experimental results demonstrate the superiority of our approach, highlighting the effectiveness of the confidence score in enhancing the trustworthiness and robustness of GNN explanations.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の説明は、解釈可能性の必要性から大きな注目を集めており、ユーザーはこれらのブラックボックスモデルの振る舞いをよりよく理解し、予測から貴重な洞察を抽出することができる。 GNN予測を解釈するために、多くのポストホックなインスタンスレベルの説明法が提案されているが、これらの説明の信頼性は、特にアウト・オブ・ディストリビューションや未知のテストデータセットにおいて不確かである。 本稿では,信頼性評価モジュール(ConfExplainer)を用いた説明フレームワークを導入することで,信頼性制約付きグラフ情報ボトルネック(GIB-CC)を理論原理として,生成した説明の信頼性を定量化することで,この問題に対処する。 実験の結果,GNN説明の信頼性と堅牢性を高める上での信頼性スコアの有効性が示された。

関連論文リスト

• Uncertainty in Graph Neural Networks: A Survey [47.785948021510535]
  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)
• Towards Modeling Uncertainties of Self-explaining Neural Networks via Conformal Prediction [34.87646720253128]
  本稿では,自己説明型ニューラルネットワークのための新しい不確実性モデリングフレームワークを提案する。 生成した説明に対して,分布自由な不確実性モデリング性能を示す。 また、最終的な予測のために効率的で効果的な予測セットを生成することにも長けている。
  論文  参考訳（メタデータ） (2024-01-03T05:51:49Z)
• Factorized Explainer for Graph Neural Networks [7.382632811417645]
  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から学習する能力によって、注目を集めている。 GNN予測を理解するために、ポストホックなインスタンスレベルの説明法が提案されている。 理論的性能保証を伴う新しい因子化説明モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-09T15:29:45Z)
• 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)
• TrustGNN: Graph Neural Network based Trust Evaluation via Learnable Propagative and Composable Nature [63.78619502896071]
  信頼評価は、サイバーセキュリティ、ソーシャルコミュニケーション、レコメンダシステムなど、多くのアプリケーションにとって重要である。 本稿では,信頼グラフの伝播性および構成性を考慮した新しい信頼評価手法TrustGNNを提案する。 具体的には、TrustGNNは、異なる伝播過程のための特定の伝播パターンを設計し、新しい信頼を生み出すための異なる伝播過程の貢献を区別する。
  論文  参考訳（メタデータ） (2022-05-25T13:57:03Z)
• Deconfounding to Explanation Evaluation in Graph Neural Networks [136.73451468551656]
  我々は、全グラフと部分グラフの間に分布シフトが存在し、分布外問題を引き起こすと論じる。 本稿では,モデル予測に対する説明文の因果効果を評価するために,Decon founded Subgraph Evaluation (DSE)を提案する。
  論文  参考訳（メタデータ） (2022-01-21T18:05:00Z)
• Towards the Explanation of Graph Neural Networks in Digital Pathology with Information Flows [67.23405590815602]
  グラフニューラルネットワーク(GNN)は、デジタル病理学において広く採用されている。 既存の説明者は、予測に関連する説明的部分グラフを発見する。 説明文は、予測に必要であるだけでなく、最も予測可能な領域を明らかにするのに十分である。 本稿では, IFEXPLAINERを提案する。
  論文  参考訳（メタデータ） (2021-12-18T10:19:01Z)
• SEEN: Sharpening Explanations for Graph Neural Networks using Explanations from Neighborhoods [0.0]
  本稿では,補助的説明の集約によるノード分類タスクの説明品質の向上手法を提案する。 SEENを適用するにはグラフを変更する必要はなく、さまざまな説明可能性のテクニックで使用することができる。 与えられたグラフからモチーフ参加ノードをマッチングする実験では、説明精度が最大12.71%向上した。
  論文  参考訳（メタデータ） (2021-06-16T03:04:46Z)
• How Much Can I Trust You? -- Quantifying Uncertainties in Explaining Neural Networks [19.648814035399013]
  説明可能なAI(XAI)は、ディープニューラルネットワークなどの学習マシンが生成した予測の解釈を提供することを目的としている。 ニューラルネットワークの任意の説明法をベイズニューラルネットワークの説明法に変換するための新しいフレームワークを提案する。 様々な実験において,本手法の有効性と有用性を示す。
  論文  参考訳（メタデータ） (2020-06-16T08:54:42Z)

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。