論文の概要: QGraphLIME - Explaining Quantum Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2510.05683v1
• Date: Tue, 07 Oct 2025 08:39:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.164389
• Title: QGraphLIME - Explaining Quantum Graph Neural Networks
• Title（参考訳）: QGraphLIME - 量子グラフニューラルネットワークの解説
• Authors: Haribandhu Jena, Jyotirmaya Shivottam, Subhankar Mishra,
• Abstract要約: 量子グラフニューラルネットワークは、グラフ構造化データを学ぶための強力なパラダイムを提供する。 QuantumGraphLIMEは、モデル説明を、グラフの構造保存摂動に適合する局所代理上の分布として扱う。
• 参考スコア（独自算出の注目度）: 0.48998185508205744
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Quantum graph neural networks offer a powerful paradigm for learning on graph-structured data, yet their explainability is complicated by measurement-induced stochasticity and the combinatorial nature of graph structure. In this paper, we introduce QuantumGraphLIME (QGraphLIME), a model-agnostic, post-hoc framework that treats model explanations as distributions over local surrogates fit on structure-preserving perturbations of a graph. By aggregating surrogate attributions together with their dispersion, QGraphLIME yields uncertainty-aware node and edge importance rankings for quantum graph models. The framework further provides a distribution-free, finite-sample guarantee on the size of the surrogate ensemble: a Dvoretzky-Kiefer-Wolfowitz bound ensures uniform approximation of the induced distribution of a binary class probability at target accuracy and confidence under standard independence assumptions. Empirical studies on controlled synthetic graphs with known ground truth demonstrate accurate and stable explanations, with ablations showing clear benefits of nonlinear surrogate modeling and highlighting sensitivity to perturbation design. Collectively, these results establish a principled, uncertainty-aware, and structure-sensitive approach to explaining quantum graph neural networks, and lay the groundwork for scaling to broader architectures and real-world datasets, as quantum resources mature. Code is available at https://github.com/smlab-niser/qglime.
• Abstract（参考訳）: 量子グラフニューラルネットワークは、グラフ構造データを学習するための強力なパラダイムを提供するが、その説明性は、測定誘起確率性とグラフ構造の組合せ的性質によって複雑である。 本稿では,モデルに依存しないポストホックフレームワークであるQuantumGraphLIME(QGraphLIME)を紹介する。 代理属性とその分散を集約することにより、QGraphLIMEは量子グラフモデルに対する不確実性を認識したノードとエッジの重要度ランキングを得る。 Dvoretzky-Kiefer-Wolfowitz 境界は、標準独立仮定の下での目標精度と信頼の下でのバイナリクラス確率の誘導分布の均一な近似を保証する。 制御された合成グラフに関する実証的研究は、非線形代理モデリングの明確な利点を示し、摂動設計に対する感度を強調しながら、正確で安定した説明を証明している。 これらの結果は、量子グラフニューラルネットワークを説明するための原則付き、不確実性を認識し、構造に敏感なアプローチを確立し、量子リソースが成熟するにつれて、より広範なアーキテクチャや実世界のデータセットへのスケーリングの基盤となる。 コードはhttps://github.com/smlab-niser/qglime.comで入手できる。

関連論文リスト

• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• 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)
• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  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上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• Uncertainty Estimation on Graphs with Structure Informed Stochastic Partial Differential Equations [0.9591674293850556]
  グラフニューラルネットワークは、様々なネットワークモデリングタスクで目覚ましい結果を得たが、グラフ上の不確実性を正確に推定することは難しいままである。 本稿では,SPDEへのガウス過程アプローチによる空間時空間雑音を取り入れた新しいメッセージパッシング方式を提案する。 提案手法は,空間的および時間的不確かさを同時に捕捉し,共分散カーネルのスムーズさを明示的に制御し,低ラベルと高ラベルの両方でグラフ上の不確かさを推定する。
  論文  参考訳（メタデータ） (2025-06-07T19:58:38Z)
• Towards Robust Fidelity for Evaluating Explainability of Graph Neural Networks [32.345435955298825]
  グラフニューラルネットワーク(GNN)は、グラフノード間のメッセージパッシングを介してグラフィカルデータの依存性構造を利用するニューラルネットワークである。 GNN説明可能性の研究における主な課題は、これらの説明機能の性能を評価するための忠実度尺度を提供することである。 本稿では,この基礎的課題について考察し,その限界を浮き彫りにする。
  論文  参考訳（メタデータ） (2023-10-03T06:25:14Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Bayesian Inductive Learner for Graph Resiliency under uncertainty [1.9254132307399257]
  大規模グラフにおける臨界ノードを特定するためのベイズグラフニューラルネットワークに基づくフレームワークを提案する。 フレームワークが提供する計算複雑性の忠実さと向上について説明する。
  論文  参考訳（メタデータ） (2020-12-26T07:22:29Z)
• Tractably Modelling Dependence in Networks Beyond Exchangeability [0.0]
  本研究では, ネットワークの推定, クラスタリング, 次数挙動について検討する。 このことは、一般的には交換不能なネットワークデータをブロックモデルで記述できる理由と方法を探る。
  論文  参考訳（メタデータ） (2020-07-28T17:13:59Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。