論文の概要: Concept Graph Convolutions: Message Passing in the Concept Space

• arxiv url: http://arxiv.org/abs/2604.20082v1
• Date: Wed, 22 Apr 2026 00:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.896295
• Title: Concept Graph Convolutions: Message Passing in the Concept Space
• Title（参考訳）: 概念グラフの畳み込み:概念空間におけるメッセージパッシング
• Authors: Lucie Charlotte Magister, Pietro Lio,
• Abstract要約: そこで本研究では,ノードレベルでの解釈性向上を目的とした最初のグラフ畳み込みを提案する。 提案した畳み込み層は、構造的および注目度に基づくエッジウェイトを用いた生と概念表現の組み合わせでメッセージパッシングを行う。 以上の結果から,コンボリューショングラフのコンボリューションは,コンボリューションの段階を越えた概念の進化に関する洞察を高めつつ,競争力のあるタスク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）: 14.872008669410098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The trust in the predictions of Graph Neural Networks is limited by their opaque reasoning process. Prior methods have tried to explain graph networks via concept-based explanations extracted from the latent representations obtained after message passing. However, these explanations fall short of explaining the message passing process itself. To this aim, we propose the Concept Graph Convolution, the first graph convolution designed to operate on node-level concepts for improved interpretability. The proposed convolutional layer performs message passing on a combination of raw and concept representations using structural and attention-based edge weights. We also propose a pure variant of the convolution, only operating in the concept space. Our results show that the Concept Graph Convolution allows to obtain competitive task accuracy, while enabling an increased insight into the evolution of concepts across convolutional steps.
• Abstract（参考訳）: グラフニューラルネットワークの予測に対する信頼は、不透明な推論プロセスによって制限される。 従来の手法では,メッセージパッシング後に得られた潜在表現から抽出した概念に基づく説明を用いて,グラフネットワークの説明を試みた。 しかし、これらの説明はメッセージパッシングプロセス自体を説明するには足りません。 そこで本研究では,ノードレベルでの解釈性向上を目的とした最初のグラフ畳み込みである概念グラフ畳み込みを提案する。 提案した畳み込み層は、構造的および注目度に基づくエッジウェイトを用いた生と概念表現の組み合わせでメッセージパッシングを行う。 また、コンボリューションの純粋な変種を提案し、概念空間でのみ動作する。 以上の結果から,コンボリューショングラフのコンボリューションは,コンボリューションの段階を越えた概念の進化に関する洞察を高めつつ,競争力のあるタスク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

• Subgraph Concept Networks: Concept Levels in Graph Classification [52.68412528211993]
  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。
  論文  参考訳（メタデータ） (2026-04-20T21:44:05Z)
• 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)
• 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)
• OmniPrism: Learning Disentangled Visual Concept for Image Generation [57.21097864811521]
  創造的な視覚概念の生成は、しばしば関連する結果を生み出すために参照イメージ内の特定の概念からインスピレーションを引き出す。 我々は,創造的画像生成のための視覚的概念分離手法であるOmniPrismを提案する。 提案手法は,自然言語で案内される不整合概念表現を学習し,これらの概念を組み込むために拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2024-12-16T18:59:52Z)
• Concept Activation Regions: A Generalized Framework For Concept-Based Explanations [95.94432031144716]
  既存の手法では、概念を説明する例は、ディープニューラルネットワークの潜伏空間の一定の方向にマッピングされていると仮定している。 そこで本研究では,DNNの潜在空間において,異なるクラスタに分散した概念例を提案する。 この概念活性化領域(CAR)は、グローバルな概念に基づく説明と局所的な概念に基づく特徴の重要性をもたらす。
  論文  参考訳（メタデータ） (2022-09-22T17:59:03Z)
• 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)

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。