論文の概要: Explaining GNN Explanations with Edge Gradients

• arxiv url: http://arxiv.org/abs/2508.01048v1
• Date: Fri, 01 Aug 2025 20:05:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.679686
• Title: Explaining GNN Explanations with Edge Gradients
• Title（参考訳）: エッジ勾配によるGNN説明の解説
• Authors: Jesse He, Akbar Rafiey, Gal Mishne, Yusu Wang,
• Abstract要約: 入力レベルの説明と階層的な説明の2つの異なる設定で、GNNの説明を詳しく調べる。 一般的な摂動に基づく手法と古典的な勾配に基づく手法の間には,最初の理論的接続が確立される。 合成データセットと実データセットの両方で実験を行った結果が実際にどのように現れるかを示す。
• 参考スコア（独自算出の注目度）: 12.509536749135798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the remarkable success of graph neural networks (GNNs) on graph-structured data has prompted a surge of methods for explaining GNN predictions. However, the state-of-the-art for GNN explainability remains in flux. Different comparisons find mixed results for different methods, with many explainers struggling on more complex GNN architectures and tasks. This presents an urgent need for a more careful theoretical analysis of competing GNN explanation methods. In this work we take a closer look at GNN explanations in two different settings: input-level explanations, which produce explanatory subgraphs of the input graph, and layerwise explanations, which produce explanatory subgraphs of the computation graph. We establish the first theoretical connections between the popular perturbation-based and classical gradient-based methods, as well as point out connections between other recently proposed methods. At the input level, we demonstrate conditions under which GNNExplainer can be approximated by a simple heuristic based on the sign of the edge gradients. In the layerwise setting, we point out that edge gradients are equivalent to occlusion search for linear GNNs. Finally, we demonstrate how our theoretical results manifest in practice with experiments on both synthetic and real datasets.
• Abstract（参考訳）: 近年,グラフ構造化データにおけるグラフニューラルネットワーク(GNN)の顕著な成功により,GNN予測を説明する手法が急増している。 しかし、GNNの説明可能性の現状は依然として流動的である。 異なる比較では、異なる方法の混合結果が見出され、多くの説明者がより複雑なGNNアーキテクチャやタスクに苦労している。 このことは、競合するGNN説明法をより慎重に理論的に解析する必要性を緊急に示している。 本稿では,入力グラフの説明部分グラフを生成する入力レベル説明法と,計算グラフの説明部分グラフを生成するレイヤワイズ説明法という,2つの異なる設定でGNNの説明法を詳しく検討する。 我々は、一般的な摂動に基づく手法と古典的な勾配に基づく手法の間の最初の理論的な接続を確立し、また、最近提案された他の手法間の接続を指摘する。 入力レベルでは、GNNExplainerがエッジ勾配の符号に基づいて単純なヒューリスティックによって近似できる条件を示す。 階層的な設定では、エッジ勾配は線形GNNの閉塞探索と等価である。 最後に、我々の理論的結果が、合成データセットと実データセットの両方の実験で実際にどのように現れるかを実証する。

関連論文リスト

• A Manifold Perspective on the Statistical Generalization of Graph Neural Networks [84.01980526069075]
  我々は、スペクトル領域の多様体からサンプリングされたグラフ上のGNNの統計的一般化理論を確立するために多様体の視点を取る。 我々はGNNの一般化境界が対数スケールのグラフのサイズとともに線形に減少し、フィルタ関数のスペクトル連続定数とともに線形的に増加することを証明した。
  論文  参考訳（メタデータ） (2024-06-07T19:25:02Z)
• 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)
• Structural Explanations for Graph Neural Networks using HSIC [21.929646888419914]
  グラフニューラルネットワーク(GNN)は、グラフィカルなタスクをエンドツーエンドで処理するニューラルネットワークの一種である。 GNNの複雑なダイナミクスは、グラフの特徴のどの部分が予測に強く寄与しているかを理解するのを困難にしている。 本研究では,グラフ内の重要な構造を検出するために,フレキシブルモデルに依存しない説明法を提案する。
  論文  参考訳（メタデータ） (2023-02-04T09:46:47Z)
• Explainability in subgraphs-enhanced Graph Neural Networks [12.526174412246107]
  グラフ強化グラフニューラルネットワーク(SGNN)は,GNNの表現力を高めるために導入された。 本稿では, GNN の最近の解説者の一つである PGExplainer を SGNN に適用する。 本稿では,グラフ分類タスクにおけるSGNNの決定過程を説明することに成功していることを示す。
  論文  参考訳（メタデータ） (2022-09-16T13:39:10Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Edge-Level Explanations for Graph Neural Networks by Extending Explainability Methods for Convolutional Neural Networks [33.20913249848369]
  グラフニューラルネットワーク(GNN)は、グラフデータを入力として扱うディープラーニングモデルであり、トラフィック予測や分子特性予測といった様々なタスクに適用される。 本稿では,CNNに対する説明可能性の手法として,LIME(Local Interpretable Model-Agnostic Explanations)やGradient-Based Saliency Maps,Gradient-Weighted Class Activation Mapping(Grad-CAM)をGNNに拡張する。 実験結果から,LIMEに基づくアプローチは実環境における複数のタスクに対する最も効率的な説明可能性手法であり,その状態においても優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-11-01T06:27:29Z)
• Towards Self-Explainable Graph Neural Network [24.18369781999988]
  グラフニューラルネットワーク(GNN)は、ディープニューラルネットワークをグラフ構造化データに一般化する。 GNNには説明責任がないため、モデルの透明性を求めるシナリオでは採用が制限される。 そこで本稿では,各未ラベルノードに対して$K$-nearestラベル付きノードを探索し,説明可能なノード分類を提案する。
  論文  参考訳（メタデータ） (2021-08-26T22:45:11Z)
• 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)
• Parameterized Explainer for Graph Neural Network [49.79917262156429]
  グラフニューラルネットワーク(GNN)のためのパラメータ化説明器PGExplainerを提案する。 既存の研究と比較すると、PGExplainerはより優れた一般化能力を持ち、インダクティブな設定で容易に利用することができる。 合成データセットと実生活データセットの両方の実験では、グラフ分類の説明に関するAUCの相対的な改善が24.7%まで高い競争性能を示した。
  論文  参考訳（メタデータ） (2020-11-09T17:15:03Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  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実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)
• 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)

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。