Fugu-MT 論文翻訳(概要): GraphNNK -- Graph Classification and Interpretability

論文の概要: GraphNNK -- Graph Classification and Interpretability

arxiv url: http://arxiv.org/abs/2602.00753v1
Date: Sat, 31 Jan 2026 14:34:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-03 19:28:33.378588
Title: GraphNNK -- Graph Classification and Interpretability
Title（参考訳）: GraphNNK -- グラフの分類と解釈可能性
Authors: Zeljko Bolevic, Milos Brajovic, Isidora Stankovic, Ljubisa Stankovic,
Abstract要約: 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標準的なアプローチとなっている。非負のカーネル回帰(NNK)に関する最近の研究は、予測が類似のトレーニング例の凸結合として表現できることを実証している。
参考スコア（独自算出の注目度）: 3.974852803981996
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph Neural Networks (GNNs) have become a standard approach for learning from graph-structured data. However, their reliance on parametric classifiers (most often linear softmax layers) limits interpretability and sometimes hinders generalization. Recent work on interpolation-based methods, particularly Non-Negative Kernel regression (NNK), has demonstrated that predictions can be expressed as convex combinations of similar training examples in the embedding space, yielding both theoretical results and interpretable explanations.
Abstract（参考訳）: 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標準的なアプローチとなっている。しかしながら、パラメトリック分類器(大抵は線形ソフトマックス層)への依存は解釈可能性に制限を与え、時には一般化を妨げる。補間に基づく手法、特に非負のカーネル回帰(NNK)に関する最近の研究は、予測が埋め込み空間における類似のトレーニング例の凸結合として表現され、理論的結果と解釈可能な説明の両方が得られることを示した。

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)
A Manifold Perspective on the Statistical Generalization of Graph Neural Networks [84.01980526069075]
我々は、スペクトル領域の多様体からサンプリングされたグラフ上のGNNの統計的一般化理論を確立するために多様体の視点を取る。我々はGNNの一般化境界が対数スケールのグラフのサイズとともに線形に減少し、フィルタ関数のスペクトル連続定数とともに線形的に増加することを証明した。
論文参考訳（メタデータ） (2024-06-07T19:25:02Z)
PAC Learnability under Explanation-Preserving Graph Perturbations [15.83659369727204]
グラフニューラルネットワーク(GNN)はグラフ上で動作し、グラフ構造化データの複雑な関係と依存関係を活用する。グラフ説明は、その分類ラベルに関して入力グラフの「ほぼ」統計量である部分グラフである。本研究は、GNNの設計と訓練において、そのような摂動不変性を利用する2つの方法を検討する。
論文参考訳（メタデータ） (2024-02-07T17:23:15Z)
Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
論文参考訳（メタデータ） (2023-10-16T19:54:21Z)
Graph Neural Network-Inspired Kernels for Gaussian Processes in Semi-Supervised Learning [4.644263115284322]
グラフニューラルネットワーク(GNN)は、半教師付き学習において、グラフ構造化データのモデルとして期待できるクラスとして最近登場した。この帰納バイアスをGPに導入して,グラフ構造化データの予測性能を向上させる。これらのグラフベースのカーネルは、各GNNと比較して、競合する分類と回帰性能、および時間の長所をもたらすことを示す。
論文参考訳（メタデータ） (2023-02-12T01:07:56Z)
Ordered Subgraph Aggregation Networks [19.18478955240166]
グラフ強化グラフニューラルネットワーク(GNN)が登場し、標準(メッセージパス)GNNの表現力を確実に向上させている。本稿では, 理論的枠組みを導入し, サブグラフ強化GNNの表現性を拡張した。部分グラフサイズの増加は常に表現力を高め、それらの制限をよりよく理解することを示します。
論文参考訳（メタデータ） (2022-06-22T15:19:34Z)
Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文参考訳（メタデータ） (2020-10-01T17:51:19Z)
Implicit Graph Neural Networks [46.0589136729616]
Indicit Graph Neural Networks (IGNN) と呼ばれるグラフ学習フレームワークを提案する。 IGNNは一貫して長距離依存を捉え、最先端のGNNモデルより優れている。
論文参考訳（メタデータ） (2020-09-14T06:04:55Z)
Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
論文参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。