論文の概要: Subgraph Concept Networks: Concept Levels in Graph Classification

• arxiv url: http://arxiv.org/abs/2604.18868v1
• Date: Mon, 20 Apr 2026 21:44:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.513992
• Title: Subgraph Concept Networks: Concept Levels in Graph Classification
• Title（参考訳）: グラフ概念ネットワーク:グラフ分類における概念レベル
• Authors: Lucie Charlotte Magister, Alexander Norcliffe, Iulia Duta, Pietro Lio,
• Abstract要約: Subgraph Concept Networkは、サブグラフとグラフレベルの概念を排除した最初のグラフニューラルネットワークアーキテクチャである。 ノードの概念の埋め込みに対してソフトクラスタリングを行い、サブグラフとグラフレベルの概念を導出することで、これを実現する。 以上の結果から,サブグラフ概念ネットワークは,ネットワークの異なるレベルにおいて意味のある概念を発見しながら,競争力のあるモデルの精度を得ることが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 52.68412528211993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The reasoning process of Graph Neural Networks is complex and considered opaque, limiting trust in their predictions. To alleviate this issue, prior work has proposed concept-based explanations, extracted from clusters in the model's node embeddings. However, a limitation of concept-based explanations is that they only explain the node embedding space and are obscured by pooling in graph classification. To mitigate this issue and provide a deeper level of understanding, we propose the Subgraph Concept Network. The Subgraph Concept Network is the first graph neural network architecture that distils subgraph and graph-level concepts. It achieves this by performing soft clustering on node concept embeddings to derive subgraph and graph-level concepts. Our results show that the Subgraph Concept Network allows to obtain competitive model accuracy, while discovering meaningful concepts at different levels of the network.
• Abstract（参考訳）: グラフニューラルネットワークの推論プロセスは複雑で不透明であり、予測に対する信頼を制限する。 この問題を緩和するために、先行研究はモデルのノード埋め込みのクラスタから抽出された概念に基づく説明を提案した。 しかし、概念に基づく説明の制限は、ノードの埋め込み空間のみを説明し、グラフ分類のプールによって隠蔽されることである。 本稿では,この問題を緩和し,より深い理解を提供するために,サブグラフ概念ネットワークを提案する。 Subgraph Concept Networkは、サブグラフとグラフレベルの概念を排除した最初のグラフニューラルネットワークアーキテクチャである。 ノードの概念の埋め込みに対してソフトクラスタリングを行い、サブグラフとグラフレベルの概念を導出することで、これを実現する。 以上の結果から,サブグラフ概念ネットワークは,ネットワークの異なるレベルにおいて意味のある概念を発見しながら,競争力のあるモデルの精度を得ることが可能であることが示唆された。

関連論文リスト

• Exploring Concept Subspace for Self-explainable Text-Attributed Graph Learning [10.84756768352255]
  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。
  論文  参考訳（メタデータ） (2026-04-13T19:26:36Z)
• 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)
• RAW-Explainer: Post-hoc Explanations of Graph Neural Networks on Knowledge Graphs [0.0]
  RAW-Explainerは、リンク予測のための連結、簡潔、解釈可能なサブグラフ説明を生成するために設計された新しいフレームワークである。 知識グラフに適した既存の手法とは異なり、我々はニューラルネットワークを用いて説明生成プロセスのパラメータ化を行っている。 提案手法は, 説明品質と計算効率のバランスをとる。
  論文  参考訳（メタデータ） (2025-06-14T15:55:17Z)
• ResolvNet: A Graph Convolutional Network with multi-scale Consistency [47.98039061491647]
  マルチスケール一貫性の概念を導入する。 グラフレベルでは、マルチスケールの一貫性は、異なる解像度で同じオブジェクトを記述する異なるグラフが同様の特徴ベクトルを割り当てるべきという事実を指す。 本稿では,リゾルダーの数学的概念に基づくフレキシブルグラフニューラルネットワークResolvNetを紹介する。
  論文  参考訳（メタデータ） (2023-09-30T16:46:45Z)
• 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)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。