論文の概要: InteractiveGNNExplainer: A Visual Analytics Framework for Multi-Faceted Understanding and Probing of Graph Neural Network Predictions

• arxiv url: http://arxiv.org/abs/2511.13160v1
• Date: Mon, 17 Nov 2025 09:08:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.089979
• Title: InteractiveGNNExplainer: A Visual Analytics Framework for Multi-Faceted Understanding and Probing of Graph Neural Network Predictions
• Title（参考訳）: InteractiveGNNExplainer: グラフニューラルネットワーク予測の多面的理解と探索のためのビジュアル分析フレームワーク
• Authors: TC Singh, Sougata Mukherjea,
• Abstract要約: グラフニューラルネットワーク(GNN)はグラフベースの学習タスクに優れていますが、複雑で非線形な操作によって、しばしば不透明な"ブラックボックス"として表現されます。 本稿では,GNN説明可能性を高めるビジュアル分析フレームワークであるInteractiveGNNExplainerを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) excel in graph-based learning tasks, but their complex, non-linear operations often render them as opaque "black boxes". This opacity hinders user trust, complicates debugging, bias detection, and adoption in critical domains requiring explainability. This paper introduces InteractiveGNNExplainer, a visual analytics framework to enhance GNN explainability, focusing on node classification. Our system uniquely integrates coordinated interactive views (dynamic graph layouts, embedding projections, feature inspection, neighborhood analysis) with established post-hoc (GNNExplainer) and intrinsic (GAT attention) explanation techniques. Crucially, it incorporates interactive graph editing, allowing users to perform a "what-if" analysis by perturbing graph structures and observing immediate impacts on GNN predictions and explanations. We detail the system architecture and, through case studies on Cora and CiteSeer datasets, demonstrate how InteractiveGNNExplainer facilitates in-depth misclassification diagnosis, comparative analysis of GCN versus GAT behaviors, and rigorous probing of model sensitivity. These capabilities foster a deeper, multifaceted understanding of GNN predictions, contributing to more transparent, trustworthy, and robust graph analysis.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はグラフベースの学習タスクに優れるが、複雑で非線形な操作はしばしば不透明な「ブラックボックス」として表現する。 この不透明さは、ユーザの信頼を妨げ、デバッグ、バイアス検出、説明責任を必要とする重要なドメインの採用を複雑にする。 本稿では,ノード分類に着目した視覚分析フレームワークであるInteractiveGNNExplainerを紹介する。 本システムでは,協調型インタラクティブビュー(動的グラフレイアウト,埋め込みプロジェクション,特徴検査,周辺分析)を,確立されたポストホック(GNNExplainer)とGATアテンション(GATアテンション)の説明手法と一意に統合する。 重要なのは、インタラクティブなグラフ編集を取り入れ、ユーザはグラフ構造を摂動させ、GNNの予測や説明に対する即時の影響を観察することで、"What-if"分析を行うことができる。 システムアーキテクチャを詳述するとともに,Cora と CiteSeer データセットのケーススタディを通じて,InteractiveGNNExplainer が詳細な誤分類診断,GCN と GAT の挙動の比較分析,モデル感度の厳密な探索を行う方法を示した。 これらの機能は、GNNの予測をより深く、多面的に理解し、より透明で、信頼できる、堅牢なグラフ分析に寄与する。

関連論文リスト

• 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)
• GNNAnatomy: Rethinking Model-Level Explanations for Graph Neural Networks [20.05098366613674]
  グラフニューラルネットワーク(GNN)は、グラフベースのタスク間で優れたパフォーマンスを達成するが、解釈は困難である。 本稿では, 落とし穴を回避しつつ説明文を生成する蒸留法である GNN Anatomy を紹介する。 クラス内の構造的多様性を説明するため、GNNAnatomyは人間とAIのコラボレーションをサポートするインターフェースを通じて、必要な粒度で説明を生成する。
  論文  参考訳（メタデータ） (2024-06-06T23:09:54Z)
• The Interpretable and Effective Graph Neural Additive Networks [29.46894574995973]
  Graph Neural Additive Network (GNAN) は、一般化加法モデルの解釈可能なクラスの拡張である。 GNANは完全に解釈可能で、機能とグラフレベルでのグローバルとローカルの両方の説明を提供する。 我々は、さまざまなタスクやデータセットの一連の例において、GNANの知性を示す。
  論文  参考訳（メタデータ） (2024-06-03T13:29:36Z)
• 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)
• 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)
• GNNLens: A Visual Analytics Approach for Prediction Error Diagnosis of Graph Neural Networks [42.222552078920216]
  Graph Neural Networks(GNN)は、ディープラーニング技術をグラフデータに拡張することを目的としている。 GNNは、モデル開発者やユーザから詳細を隠したブラックボックスのように振る舞う。 したがって、GNNの潜在的なエラーを診断することは困難である。 本稿では,対話型視覚分析ツールGNNLensで研究ギャップを埋め,モデル開発者やユーザによるGNNの理解と分析を支援する。
  論文  参考訳（メタデータ） (2020-11-22T16:09:08Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。