Fugu-MT 論文翻訳(概要): Counterfactual Explanations for Hypergraph Neural Networks

論文の概要: Counterfactual Explanations for Hypergraph Neural Networks

arxiv url: http://arxiv.org/abs/2602.04360v1
Date: Wed, 04 Feb 2026 09:34:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-05 19:45:11.457368
Title: Counterfactual Explanations for Hypergraph Neural Networks
Title（参考訳）: ハイパーグラフニューラルネットワークにおける実測的説明法
Authors: Fabiano Veglianti, Lorenzo Antonelli, Gabriele Tolomei,
Abstract要約: ハイパーグラフニューラルネットワーク(HGNN)は、多くの現実世界システムにおける高次相互作用を効果的にモデル化する。 CF-HyperGNNExplainerを提案する。
参考スコア（独自算出の注目度）: 2.342443373878122
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Hypergraph neural networks (HGNNs) effectively model higher-order interactions in many real-world systems but remain difficult to interpret, limiting their deployment in high-stakes settings. We introduce CF-HyperGNNExplainer, a counterfactual explanation method for HGNNs that identifies the minimal structural changes required to alter a model's prediction. The method generates counterfactual hypergraphs using actionable edits limited to removing node-hyperedge incidences or deleting hyperedges, producing concise and structurally meaningful explanations. Experiments on three benchmark datasets show that CF-HyperGNNExplainer generates valid and concise counterfactuals, highlighting the higher-order relations most critical to HGNN decisions.
Abstract（参考訳）: ハイパーグラフニューラルネットワーク(HGNN)は、多くの実世界のシステムにおける高次相互作用を効果的にモデル化するが、解釈が難しいままであり、ハイテイク環境でのデプロイメントを制限している。 CF-HyperGNNExplainerは,モデル予測の変更に必要な最小構造変化を識別する,HGNNの非現実的説明法である。本発明の方法は、ノード・ハイパーエッジのインシデントを除去したり、ハイパーエッジを削除することに限定された実行可能な編集を用いて、反ファクトリアルなハイパーグラフを生成し、簡潔で構造的に意味のある説明を生成する。 3つのベンチマークデータセットの実験では、CF-HyperGNNExplainerが有効かつ簡潔な反事実を生成し、HGNNの決定に最も重要な高次関係を強調している。

関連論文リスト

Implicit Hypergraph Neural Networks: A Stable Framework for Higher-Order Relational Learning with Provable Guarantees [8.5183483099116]
Indicit Hypergraph Neural Networks (IHGNN)を導入し、非線形不動点方程式の解として表現を計算する。 IHGNNは、正確性と堅牢性の両方において、強力な従来のグラフ/ハイパーグラフニューラルネットワークベースラインを一貫して上回る。
論文参考訳（メタデータ） (2025-08-13T02:06:29Z)
HyperKAN: Hypergraph Representation Learning with Kolmogorov-Arnold Networks [8.453902060048577]
HyperKANは、メッセージパッシング技術の限界を超越したハイパーグラフ表現学習のための新しいフレームワークである。実世界のデータセットで実施された実験は、HyperKANが最先端のHNNメソッドよりも大幅に優れていることを示した。
論文参考訳（メタデータ） (2025-03-16T05:39:52Z)
DeltaGNN: Graph Neural Network with Information Flow Control [5.563171090433323]
グラフニューラルネットワーク(GNN)は、メッセージパッシングプロセスの近傍集約を通じてグラフ構造化データを処理するように設計されている。メッセージパッシングにより、GNNは短距離空間的相互作用を理解できるだけでなく、過度なスムーシングや過度なスカッシングに悩まされる。本稿では,線形計算オーバーヘッドを伴うオーバー・スムーシングとオーバー・スキャッシングに対処するための,emph情報フロー制御機構を提案する。さまざまなサイズ、トポロジ、密度、ホモフィリック比のグラフを含む10の実世界のデータセットを対象に、我々のモデルをベンチマークし、優れたパフォーマンスを示す。
論文参考訳（メタデータ） (2025-01-10T14:34:20Z)
Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文参考訳（メタデータ） (2023-12-18T17:50:52Z)
From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文参考訳（メタデータ） (2023-06-16T04:40:59Z)
Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文参考訳（メタデータ） (2023-06-05T03:26:06Z)
Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文参考訳（メタデータ） (2022-07-14T06:17:00Z)
Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文参考訳（メタデータ） (2021-06-12T02:07:07Z)
Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文参考訳（メタデータ） (2021-06-10T12:37:55Z)

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。