論文の概要: Influence Functions for Edge Edits in Non-Convex Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2506.04694v1
• Date: Thu, 05 Jun 2025 07:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.577056
• Title: Influence Functions for Edge Edits in Non-Convex Graph Neural Networks
• Title（参考訳）: 非凸グラフニューラルネットワークにおけるエッジ編集の影響関数
• Authors: Jaeseung Heo, Kyeongheung Yun, Seokwon Yoon, MoonJeong Park, Jungseul Ok, Dongwoo Kim,
• Abstract要約: グラフニューラルネットワーク(GNN)に適した近位ブレグマン応答関数を提案する。 提案手法は, メッセージ伝達効果を明示的に説明し, エッジ削除や挿入に対する影響予測を原理的に拡張する。 グラフリウィリングや逆アタックなどの応用において,影響関数は汎用的であることを示す。
• 参考スコア（独自算出の注目度）: 7.49509518177852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how individual edges influence the behavior of graph neural networks (GNNs) is essential for improving their interpretability and robustness. Graph influence functions have emerged as promising tools to efficiently estimate the effects of edge deletions without retraining. However, existing influence prediction methods rely on strict convexity assumptions, exclusively consider the influence of edge deletions while disregarding edge insertions, and fail to capture changes in message propagation caused by these modifications. In this work, we propose a proximal Bregman response function specifically tailored for GNNs, relaxing the convexity requirement and enabling accurate influence prediction for standard neural network architectures. Furthermore, our method explicitly accounts for message propagation effects and extends influence prediction to both edge deletions and insertions in a principled way. Experiments with real-world datasets demonstrate accurate influence predictions for different characteristics of GNNs. We further demonstrate that the influence function is versatile in applications such as graph rewiring and adversarial attacks.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の動作に個々のエッジがどのように影響するかを理解することは、その解釈性と堅牢性を改善する上で不可欠である。 グラフ影響関数は、再トレーニングせずにエッジ削除の効果を効率的に推定する有望なツールとして登場した。 しかし、既存の影響予測手法は厳密な凸性仮定に依存し、エッジ挿入を無視しながらエッジ削除の影響を排他的に考慮し、これらの修正によるメッセージ伝搬の変化を捉えることができない。 本研究では,GNNに適した近位ブレグマン応答関数を提案し,凸性要件を緩和し,標準ニューラルネットワークアーキテクチャの正確な影響予測を可能にする。 さらに,本手法は,メッセージの伝搬効果を明示的に説明し,エッジ削除と挿入の両方に対する影響予測を原則的に拡張する。 実世界のデータセットを用いた実験では、GNNの異なる特性に対する正確な影響予測が示されている。 さらに、グラフのリウィリングや敵攻撃のような応用において、影響関数が汎用的であることを実証する。

関連論文リスト

• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• GISExplainer: On Explainability of Graph Neural Networks via Game-theoretic Interaction Subgraphs [21.012180171806456]
  GISExplainerはゲーム理論の相互作用に基づく説明手法である。 これは、GNNがノード分類のために学んだことを明らかにする。 GISExplainerは最先端のアプローチよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-09-24T03:24:31Z)
• Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
  エッジ摂動はグラフ構造を変更する方法である。 グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。 統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
  論文  参考訳（メタデータ） (2024-03-10T15:50:04Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• 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)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Characterizing the Influence of Graph Elements [24.241010101383505]
  グラフ畳み込みネットワーク(GCN)の影響関数は、入力グラフからトレーニングノード/エッジを除去する効果に光を当てることができる。 本研究では,SGCモデルの効果関数を用いて,トレーニングノードやエッジの除去がSGCのテスト性能に与える影響を,モデルの再学習を伴わずに評価できることを示した。
  論文  参考訳（メタデータ） (2022-10-14T01:04:28Z)
• Maximizing Influence with Graph Neural Networks [23.896176168370996]
  textscGlieは、独立したカスケードの影響を推定するグラフニューラルネットワークである。 textscGlieは、教師付きトレーニングによって強化された理論上界に依存している。 我々は、シードセットを適応的に構築しながら、textscGlieのランクノードへの表現に基づいて、証明可能なサブモジュールの影響を拡大する。
  論文  参考訳（メタデータ） (2021-08-10T12:08:15Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。