論文の概要: TopInG: Topologically Interpretable Graph Learning via Persistent Rationale Filtration

• arxiv url: http://arxiv.org/abs/2510.05102v1
• Date: Mon, 06 Oct 2025 17:59:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:53:00.052321
• Title: TopInG: Topologically Interpretable Graph Learning via Persistent Rationale Filtration
• Title（参考訳）: TopInG: Persistent Rationale Filtrationによるトポロジカルに解釈可能なグラフ学習
• Authors: Cheng Xin, Fan Xu, Xin Ding, Jie Gao, Jiaxin Ding,
• Abstract要約: TopInG: Topologically Interpretable Graph Learning を提案する。 TopInGは、有理グラフの自動回帰生成過程をモデル化するために、有理フィルタ学習アプローチを採用している。 本手法は,予測精度と解釈品質の両面において最先端の手法を改良する。
• 参考スコア（独自算出の注目度）: 10.830399323047265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have shown remarkable success across various scientific fields, yet their adoption in critical decision-making is often hindered by a lack of interpretability. Recently, intrinsically interpretable GNNs have been studied to provide insights into model predictions by identifying rationale substructures in graphs. However, existing methods face challenges when the underlying rationale subgraphs are complex and varied. In this work, we propose TopInG: Topologically Interpretable Graph Learning, a novel topological framework that leverages persistent homology to identify persistent rationale subgraphs. TopInG employs a rationale filtration learning approach to model an autoregressive generation process of rationale subgraphs, and introduces a self-adjusted topological constraint, termed topological discrepancy, to enforce a persistent topological distinction between rationale subgraphs and irrelevant counterparts. We provide theoretical guarantees that our loss function is uniquely optimized by the ground truth under specific conditions. Extensive experiments demonstrate TopInG's effectiveness in tackling key challenges, such as handling variform rationale subgraphs, balancing predictive performance with interpretability, and mitigating spurious correlations. Results show that our approach improves upon state-of-the-art methods on both predictive accuracy and interpretation quality.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、様々な科学分野において顕著な成功を収めている。 近年,グラフ内の有理部分構造を同定し,モデル予測に対する洞察を与えるために,内在的に解釈可能なGNNが研究されている。 しかし、既存の手法は、基礎となる有理部分グラフが複雑で多様である場合、課題に直面している。 本研究では,永続的論理的部分グラフの同定に永続的ホモロジーを活用する新しいトポロジフレームワークであるTopInGを提案する。 TopInGは、有理部分グラフの自己回帰生成過程をモデル化するために有理濾過学習アプローチを採用し、有理部分グラフと無関係部分グラフの永続的な位相的区別を強制するために、自己調整された位相的制約(トポロジカル不一致(topologicaldisrepancy)と呼ばれる)を導入している。 我々は、損失関数が特定の条件下で基底真理によって一意に最適化されることを理論的に保証する。 広範囲な実験は、可変有理グラフの扱い、解釈可能性による予測性能のバランス、急激な相関の緩和など、TopInGが重要な課題に対処する効果を実証している。 その結果,本手法は予測精度と解釈品質の両面において最先端の手法により改善されていることがわかった。

関連論文リスト

• Two Birds with One Stone: Enhancing Uncertainty Quantification and Interpretability with Graph Functional Neural Process [27.760002432327962]
  グラフニューラルネットワーク(GNN)は、グラフデータに強力なツールである。 しかし、それらの予測は誤校正され、解釈性に欠ける。 本稿では,新しい不確実性と解釈可能なグラフ分類モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-23T17:48:05Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• xAI-Drop: Don't Use What You Cannot Explain [23.33477769275026]
  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ための主要なパラダイムとして登場した。 GNNは、一般化の欠如や解釈可能性の低下といった課題に直面している。 トポロジカルレベル降下正則化器であるxAI-Dropを導入する。
  論文  参考訳（メタデータ） (2024-07-29T14:53:45Z)
• Fine-grained Graph Rationalization [51.293401030058085]
  グラフ機械学習のための微粒なグラフ合理化(FIG)を提案する。 私たちのアイデアは、入力ノード間のリッチなインタラクションを提供するセルフアテンションメカニズムによって推進されます。 実験では,実世界の7つのデータセットを対象とし,提案したFIGは,13のベースライン手法と比較して大きな性能上の優位性を示した。
  論文  参考訳（メタデータ） (2023-12-13T02:56:26Z)
• Weisfeiler and Lehman Go Paths: Learning Topological Features via Path Complexes [4.23480641508611]
  グラフニューラルネットワーク(GNN)は理論上、1-Weisfeiler-Lehmanテストによって拘束される。 本研究では, トポロジ的メッセージパッシング過程において, グラフ内の単純な経路に着目し, 新たな視点を示す。
  論文  参考訳（メタデータ） (2023-08-13T19:45:20Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)

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。