論文の概要: FSX: Message Flow Sensitivity Enhanced Structural Explainer for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2601.14730v1
• Date: Wed, 21 Jan 2026 07:39:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.279
• Title: FSX: Message Flow Sensitivity Enhanced Structural Explainer for Graph Neural Networks
• Title（参考訳）: FSX:グラフニューラルネットワークのためのメッセージフロー感度向上構造説明器
• Authors: Bizu Feng, Zhimu Yang, Shaode Yu, Zixin Hu,
• Abstract要約: 本稿では,モデルの内部メッセージフローと,外部グラフデータに適用した協調ゲームアプローチを組み合わせた新しいフレームワークを提案する。 FSXは、実行時間を大幅に削減した優れた説明精度を実現する。 モデル予測の基礎となる構造論理に関する前例のない洞察を提供する。
• 参考スコア（独自算出の注目度）: 1.6916040234975795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the widespread success of Graph Neural Networks (GNNs), understanding the reasons behind their specific predictions remains challenging. Existing explainability methods face a trade-off that gradient-based approaches are computationally efficient but often ignore structural interactions, while game-theoretic techniques capture interactions at the cost of high computational overhead and potential deviation from the model's true reasoning path. To address this gap, we propose FSX (Message Flow Sensitivity Enhanced Structural Explainer), a novel hybrid framework that synergistically combines the internal message flows of the model with a cooperative game approach applied to the external graph data. FSX first identifies critical message flows via a novel flow-sensitivity analysis: during a single forward pass, it simulates localized node perturbations and measures the resulting changes in message flow intensities. These sensitivity-ranked flows are then projected onto the input graph to define compact, semantically meaningful subgraphs. Within each subgraph, a flow-aware cooperative game is conducted, where node contributions are evaluated fairly through a Shapley-like value that incorporates both node-feature importance and their roles in sustaining or destabilizing the identified critical flows. Extensive evaluation across multiple datasets and GNN architectures demonstrates that FSX achieves superior explanation fidelity with significantly reduced runtime, while providing unprecedented insights into the structural logic underlying model predictions--specifically, how important sub-structures exert influence by governing the stability of key internal computational pathways.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)が広く成功したにもかかわらず、それらの特定の予測の背後にある理由を理解することは依然として難しい。 既存の説明可能性法では、勾配に基づくアプローチは計算的に効率的であるが、しばしば構造的相互作用を無視するというトレードオフに直面している。 このギャップに対処するために,FSX(Message Flow Sensitivity Enhanced Structure Explainer)を提案する。これは,モデルの内部メッセージフローと,外部グラフデータに適用した協調ゲームアプローチを相乗的に組み合わせた,新しいハイブリッドフレームワークである。 FSXは、単一のフォワードパスの間、局所化されたノードの摂動をシミュレートし、その結果のメッセージフロー強度の変化を測定する。 これらの感度ランク付きフローは入力グラフ上に投影され、コンパクトで意味のある部分グラフを定義する。 各サブグラフ内ではフロー対応協調ゲームが行われ、そこでは、ノード機能の重要性と、特定されたクリティカルフローの維持または不安定化におけるそれらの役割の両方を組み込んだShapleyのような値によって、ノードコントリビューションを公平に評価する。 複数のデータセットとGNNアーキテクチャにわたる広範囲な評価により、FSXは実行時間を大幅に削減し、優れた説明忠実性を達成する一方で、モデル予測に基づく構造論理に関する前例のない洞察を提供する。

関連論文リスト

• InteractiveGNNExplainer: A Visual Analytics Framework for Multi-Faceted Understanding and Probing of Graph Neural Network Predictions [0.0]
  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。
  論文  参考訳（メタデータ） (2025-11-17T09:08:31Z)
• PIORF: Physics-Informed Ollivier-Ricci Flow for Long-Range Interactions in Mesh Graph Neural Networks [23.97389618896843]
  本稿では,物理相関とグラフトポロジを結合した新しいリウィリング法であるPhysical-Informed Ollivier-Ricci Flow (PIORF)を提案する。 PIORFはベースラインモデルと既存のリワイア法を一貫して上回り、最大26.2の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-05T04:14:05Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
  XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。 XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
  論文  参考訳（メタデータ） (2024-08-27T01:14:34Z)
• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• FlowX: Towards Explainable Graph Neural Networks via Message Flows [59.025023020402365]
  グラフニューラルネットワーク(GNN)の動作メカニズム解明へのステップとして,その説明可能性について検討する。 本稿では,重要なメッセージフローを識別してGNNを説明するために,FlowXと呼ばれる新しい手法を提案する。 そこで我々は,多様な説明対象に向けて,フロースコアを学習するための情報制御学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-26T22:48:15Z)

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。