論文の概要: Exploring Concept Subspace for Self-explainable Text-Attributed Graph Learning

• arxiv url: http://arxiv.org/abs/2604.11986v1
• Date: Mon, 13 Apr 2026 19:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.084445
• Title: Exploring Concept Subspace for Self-explainable Text-Attributed Graph Learning
• Title（参考訳）: 自己説明可能なテキスト分散グラフ学習のための概念部分空間の探索
• Authors: Xiaoxue Han, Libo Zhang, Zining Zhu, Yue Ning,
• Abstract要約: 我々は、自己説明可能なテキスト分散グラフ学習のための新しいパラダイムとして、Graph Concept Bottleneck (GCB)を紹介した。 GCBはグラフを、各概念が意味のあるフレーズである部分空間、概念ボトルネックにマッピングする。 我々は,GCBがブラックボックスグラフニューラルネットワークと同等の精度で本質的な解釈性を実現することを実証的に示す。
• 参考スコア（独自算出の注目度）: 10.84756768352255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Graph Concept Bottleneck (GCB) as a new paradigm for self-explainable text-attributed graph learning. GCB maps graphs into a subspace, concept bottleneck, where each concept is a meaningful phrase, and predictions are made based on the activation of these concepts. Unlike existing interpretable graph learning methods that primarily rely on subgraphs as explanations, the concept bottleneck provides a new form of interpretation. To refine the concept space, we apply the information bottleneck principle to focus on the most relevant concepts. This not only yields more concise and faithful explanations but also explicitly guides the model to "think" toward the correct decision. We empirically show that GCB achieves intrinsic interpretability with accuracy on par with black-box Graph Neural Networks. Moreover, it delivers better performance under distribution shifts and data perturbations, showing improved robustness and generalizability, benefitting from concept-guided prediction.
• Abstract（参考訳）: 我々は、自己説明可能なテキスト分散グラフ学習のための新しいパラダイムとして、Graph Concept Bottleneck (GCB)を紹介した。 GCBはグラフを、各概念が意味のあるフレーズである部分空間、概念ボトルネックにマッピングし、これらの概念の活性化に基づいて予測を行う。 説明として部分グラフに依存する既存の解釈可能なグラフ学習法とは異なり、この概念のボトルネックは新しい解釈形式を提供する。 概念空間を洗練させるために,情報ボトルネックの原理を適用し,最も関連する概念に焦点をあてる。 これはより簡潔で忠実な説明を得るだけでなく、モデルが正しい決定に向けて「考える」よう明示的に導く。 我々は,GCBがブラックボックスグラフニューラルネットワークと同等の精度で本質的な解釈性を実現することを実証的に示す。 さらに、分散シフトやデータ摂動の下ではパフォーマンスが向上し、ロバスト性や一般化性が向上し、概念誘導予測の恩恵を受ける。

関連論文リスト

• Revealing Combinatorial Reasoning of GNNs via Graph Concept Bottleneck Layer [28.886850252681754]
  我々は,任意のGNNアーキテクチャに統合可能なグラフ概念層を開発する。 予測された概念スコアは、選択された識別層によってクラスラベルに投影される。 グラフの概念に対してソフト論理則を適合させるため、GNNの予測のスパース推論を強制する。
  論文  参考訳（メタデータ） (2026-03-02T16:07:24Z)
• FaCT: Faithful Concept Traces for Explaining Neural Network Decisions [56.796533084868884]
  ディープネットワークは、幅広いタスクで顕著なパフォーマンスを示しているが、それらの機能に関するグローバルな概念レベルの理解は、依然として重要な課題である。 本稿では,概念に基づく説明の忠実さを強調し,モデル独立な機械的概念説明を用いた新しいモデルを提案する。 私たちの概念はクラス間で共有され、あらゆるレイヤから、ロジットへの貢献と入力-視覚化を忠実にトレースすることができます。
  論文  参考訳（メタデータ） (2025-10-29T13:35:46Z)
• Graph Concept Bottleneck Models [26.57626285653119]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、概念を通したディープニューラルネットワークの明確な解釈を提供する。 提案するグラフCBMは,潜在概念グラフを構築することで概念関係を容易にするCBMの新たな変種である。
  論文  参考訳（メタデータ） (2025-08-19T20:23:18Z)
• Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
  グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。 グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。 本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
  論文  参考訳（メタデータ） (2024-07-03T14:07:41Z)
• Knowledge graphs for empirical concept retrieval [1.06378109904813]
  概念に基づく説明可能なAIは、あるユーザの前提における複雑なモデルの理解を改善するツールとして期待されている。 本稿では,テキスト領域と画像領域の両方でユーザ主導のデータ収集を行うワークフローを提案する。 我々は,概念アクティベーションベクトル(CAV)と概念アクティベーション領域(CAR)の2つの概念ベース説明可能性手法を用いて,検索した概念データセットをテストする。
  論文  参考訳（メタデータ） (2024-04-10T13:47:22Z)
• Concept Gradient: Concept-based Interpretation Without Linear Assumption [77.96338722483226]
  概念活性化ベクトル(Concept Activation Vector, CAV)は、与えられたモデルと概念の潜在表現の間の線形関係を学習することに依存する。 我々は、線形概念関数を超えて概念に基づく解釈を拡張する概念グラディエント(CG)を提案した。 我々は、CGがおもちゃの例と実世界のデータセットの両方でCAVより優れていることを実証した。
  論文  参考訳（メタデータ） (2022-08-31T17:06:46Z)
• Encoding Concepts in Graph Neural Networks [6.129235861306906]
  本稿では,グラフネットワークにおける最初の差別化可能な概念発見手法であるConcept Moduleを紹介する。 提案手法は,まずグラフの概念を発見し,それを用いてタスクを解くことにより,グラフネットワークを設計により説明可能にする。 提案手法により,グラフネットワークは等価なバニラバージョンと同等の精度でモデルの精度が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-27T15:34:14Z)
• Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
  既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。 本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。 また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
  論文  参考訳（メタデータ） (2022-05-20T02:50:15Z)

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。