論文の概要: TACENR: Task-Agnostic Contrastive Explanations for Node Representations

• arxiv url: http://arxiv.org/abs/2604.19372v1
• Date: Tue, 21 Apr 2026 11:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.749216
• Title: TACENR: Task-Agnostic Contrastive Explanations for Node Representations
• Title（参考訳）: TACENR:Node表現のためのタスク非依存のコントラスト記述
• Authors: Vasiliki Papanikou, Evaggelia Pitoura,
• Abstract要約: グラフ表現学習はグラフ構造化データを潜在ベクトル空間に符号化することで顕著な成功を収めた。 既存の説明可能性の手法は、主に教師付き設定や個々の表現次元の説明に焦点を当てている。 本稿では,属性の特徴だけでなく,近接性や構造的特徴も識別するローカルな説明手法であるACENRを提案する。
• 参考スコア（独自算出の注目度）: 2.311721393808569
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph representation learning has achieved notable success in encoding graph-structured data into latent vector spaces, enabling a wide range of downstream tasks. However, these node representations remain opaque and difficult to interpret. Existing explainability methods primarily focus on supervised settings or on explaining individual representation dimensions, leaving a critical gap in explaining the overall structure of node representations. In this paper, we propose TACENR (Task-Agnostic Contrastive Explanations for Node Representations), a local explanation method that identifies not only attribute features but also proximity and structural ones that contribute the most in the representation space. TACENR builds on contrastive learning, through which we learn a similarity function in the representation space, revealing which are the features that play an important role in the representation of a node. While our focus is on task-agnostic explanations, TACENR can be applied to supervised scenarios as well. Experimental results demonstrate that proximity and structural features play a significant role in shaping node representations and that our supervised variant performs comparably to existing task-specific approaches in identifying the most impactful features.
• Abstract（参考訳）: グラフ表現学習はグラフ構造化データを潜在ベクトル空間に符号化することで顕著な成功を収め、幅広い下流タスクを可能にした。 しかし、これらのノード表現は不透明で解釈が難しいままである。 既存の説明可能性法は主に教師付き設定や個々の表現次元の説明に焦点を当てており、ノード表現の全体構造を説明する上で重要なギャップを残している。 本稿では,属性特徴だけでなく,その表現空間に最も寄与する構造的特徴を識別する局所的説明法であるTACENRを提案する。 TACENRは対照的な学習に基づいて構築され、表現空間における類似性関数を学習し、ノードの表現において重要な役割を果たす特徴を明らかにする。 タスクに依存しない説明に焦点を当てていますが、TACENRは教師付きシナリオにも適用できます。 実験結果から,ノード表現の形成において近接的特徴と構造的特徴が重要な役割を担っていることが明らかとなった。

関連論文リスト

• Enhancing Structured Meaning Representations with Aspect Classification [3.923094828887562]
  統一意味表現(UMR)アスペクトラベルを付加した英語文のデータセットを新たに導入する。 UMRアスペクト格子に基づいて、事象の述語をラベル付けするために使用されるアノテーションスキームとガイドラインについて述べる。 本研究は,自動UMRアスペクト予測のための初期ベンチマークを構築し,アスペクトを意味的意味表現に統合するための基盤を提供する。
  論文  参考訳（メタデータ） (2026-03-25T20:10:43Z)
• "Principal Components" Enable A New Language of Images [79.45806370905775]
  証明可能なPCAのような構造を潜在トークン空間に組み込む新しい視覚トークン化フレームワークを導入する。 提案手法は、最先端の再構築性能を実現し、人間の視覚システムとの整合性を向上する。
  論文  参考訳（メタデータ） (2025-03-11T17:59:41Z)
• Situational Scene Graph for Structured Human-centric Situation Understanding [15.91717913059569]
  本研究では,人的対象関係とそれに対応する意味特性の両方をエンコードするために,SSGというグラフベースの表現を提案する。 セマンティックディテールは、当初単一のアクションを表現するように設計された状況フレームにインスパイアされた、事前に定義された役割と値として表現される。 間もなくコードとデータセットをリリースします。
  論文  参考訳（メタデータ） (2024-10-30T09:11:25Z)
• Structure-CLIP: Towards Scene Graph Knowledge to Enhance Multi-modal Structured Representations [70.41385310930846]
  マルチモーダルな構造表現を強化するためのエンドツーエンドフレームワークであるStructure-CLIPを提案する。 シーングラフを用いてセマンティックなネガティブな例の構築をガイドし、その結果、構造化された表現の学習に重点を置いている。 知識エンハンス(KEE)は、SGKを入力として活用し、構造化表現をさらに強化するために提案される。
  論文  参考訳（メタデータ） (2023-05-06T03:57:05Z)
• Self-Supervised Node Representation Learning via Node-to-Neighbourhood Alignment [10.879056662671802]
  自己教師付きノード表現学習は、教師付きノードと競合する未ラベルグラフからノード表現を学ぶことを目的としている。 本研究では,ノードとその周辺領域の隠蔽表現を整列させることにより,単純なyet効率の自己教師付きノード表現学習を提案する。 我々は,グラフ構造化データセットの集合に対して,ノード分類性能が期待できるノード表現を,小規模から大規模に学習する。
  論文  参考訳（メタデータ） (2023-02-09T13:21:18Z)
• Learning Task-relevant Representations for Generalization via Characteristic Functions of Reward Sequence Distributions [63.773813221460614]
  同じタスクで異なる環境にまたがる一般化は、視覚的強化学習の成功に不可欠である。 本稿では,タスク関連情報を抽出する手法として,特徴逆列予測(CRESP)を提案する。 実験により、CRESPは目に見えない環境での一般化性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-05-20T14:52:03Z)
• Exploring Set Similarity for Dense Self-supervised Representation Learning [96.35286140203407]
  本研究では,高密度自己教師型表現学習のためのtextbfset textbfsimilarity (SetSim) を提案する。 ピクセルワイドの類似性学習をセットワイドに一般化し,よりセマンティックな情報や構造的な情報を含むため,ロバスト性を向上させる。 具体的には、ビューの注意的特徴に頼って対応する集合を定め、不適切な対応を引き起こす可能性のあるノイズの多い背景をフィルタリングする。
  論文  参考訳（メタデータ） (2021-07-19T09:38:27Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)

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。