論文の概要: Graph Mixing Additive Networks

• arxiv url: http://arxiv.org/abs/2509.23923v1
• Date: Sun, 28 Sep 2025 14:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.534924
• Title: Graph Mixing Additive Networks
• Title（参考訳）: グラフ混合付加ネットワーク
• Authors: Maya Bechler-Speicher, Andrea Zerio, Maor Huri, Marie Vibeke Vestergaard, Ran Gilad-Bachrach, Tine Jess, Samir Bhatt, Aleksejs Sazonovs,
• Abstract要約: グラフニューラル付加ネットワーク(GNAN)を拡張するフレキシブルで解釈可能な表現型フレームワークであるGMANを紹介する。 GMANは、各時間依存軌跡を有向グラフとして表現し、各グラフにより豊かで表現性の高いGNANを適用する。 実世界のデータセットでは、GMANは強力な非解釈可能なブラックボックスベースラインを上回り、アクション可能なドメイン整合した説明を提供する。
• 参考スコア（独自算出の注目度）: 6.637761630216464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce GMAN, a flexible, interpretable, and expressive framework that extends Graph Neural Additive Networks (GNANs) to learn from sets of sparse time-series data. GMAN represents each time-dependent trajectory as a directed graph and applies an enriched, more expressive GNAN to each graph. It allows users to control the interpretability-expressivity trade-off by grouping features and graphs to encode priors, and it provides feature, node, and graph-level interpretability. On real-world datasets, including mortality prediction from blood tests and fake-news detection, GMAN outperforms strong non-interpretable black-box baselines while delivering actionable, domain-aligned explanations.
• Abstract（参考訳）: 本稿では,グラフニューラル付加ネットワーク(GNAN)を拡張した,フレキシブルで解釈可能な表現型フレームワークであるGMANを紹介し,スパース時系列データの集合から学習する。 GMANは、各時間依存軌跡を有向グラフとして表現し、各グラフにより豊かで表現性の高いGNANを適用する。 ユーザーは、プリエンコードするために機能やグラフをグループ化することで、解釈可能性と表現力のトレードオフを制御でき、機能、ノード、グラフレベルの解釈性を提供する。 血液検査による死亡率予測や偽ニュース検出を含む現実世界のデータセットでは、GMANは強力な非解釈可能なブラックボックスベースラインを上回り、アクション可能なドメイン整合の説明を提供する。

関連論文リスト

• From GNNs to Trees: Multi-Granular Interpretability for Graph Neural Networks [29.032055397116217]
  解釈可能なグラフニューラルネットワーク(GNN)は、モデル予測の背後にある理由を明らかにすることを目的としている。 既存の部分グラフベースの解釈可能なメソッドは、局所構造上のオーバーエンハンシスに悩まされる。 グラフ分類のための新しいツリーライクな解釈フレームワーク(TIF)を提案する。
  論文  参考訳（メタデータ） (2025-05-01T07:22:51Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Unveiling Global Interactive Patterns across Graphs: Towards Interpretable Graph Neural Networks [31.29616732552006]
  グラフニューラルネットワーク(GNN)は、グラフマイニングの著名なフレームワークとして登場した。 本稿では,グラフ分類に内在的に解釈可能な新しい手法を提案する。 グローバル対話パターン(GIP)学習は、学習可能なグローバル対話パターンを導入し、決定を明示的に解釈する。
  論文  参考訳（メタデータ） (2024-07-02T06:31:13Z)
• 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)
• 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)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Multi-grained Semantics-aware Graph Neural Networks [13.720544777078642]
  グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力な技術である。 本研究では,ノードとグラフ表現を対話的に学習する統合モデルAdamGNNを提案する。 14の実世界のグラフデータセットに対する実験により、AdamGNNはノードとグラフの両方のタスクにおいて17の競合するモデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2020-10-01T07:52:06Z)

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。