論文の概要: Explaining Temporal Graph Predictions With Shapley Values
- arxiv url: http://arxiv.org/abs/2604.24078v1
- Date: Mon, 27 Apr 2026 06:01:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.764187
- Title: Explaining Temporal Graph Predictions With Shapley Values
- Title（参考訳）: シェープ値を用いた時間グラフ予測の解説
- Authors: Lea-Marie Sussek, Stefan Heindorf,
- Abstract要約: 時間グラフニューラルネットワーク(TGNN)は、予測性能が優れており、近年人気が高まっている。
本研究は,Shapley値とOwen値に基づくTGNNの局所的説明のための2つの新しいモデルに依存しない説明器を紹介する。
- 参考スコア（独自算出の注目度）: 2.015325869229528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal Graph Neural Networks (TGNNs) have become increasingly popular in recent years due to their superior predictive performance by combining both spatial and temporal information. However, how these models utilize the information to make predictions is rather unexplored, leading to potentially faulty or biased models. This work introduces two novel model-agnostic explainers for local explanations of TGNNs based on Shapley and Owen values. The first method, an event-level (edge-level) Shapley explainer, applies the KernelSHAP algorithm to estimate contribution scores for individual temporal events, providing interpretable descriptions for model behavior. The second, a feature-level Shapley explainer, extends this framework by decomposing event-level Shapley values into Owen values, and thereby uncovers hierarchical dependencies of the event and its features. The explainers outperform SOTA explainers on different metrics and datasets. Additionally, the Feature Explainer reveals a faulty extraction of actual timestamps of a commonly used TGAT implementation, helping to further understand performance drops on very sparse explanations.
- Abstract（参考訳）: 時間的グラフニューラルネットワーク(TGNN)は,空間的情報と時間的情報を組み合わせた予測性能が優れているため,近年人気が高まっている。
しかし、これらのモデルがどのようにして予測を行うかは明らかにされていないため、潜在的な欠陥やバイアスのあるモデルにつながる可能性がある。
本研究は,Shapley値とOwen値に基づくTGNNの局所的説明のための2つの新しいモデルに依存しない説明器を紹介する。
イベントレベル(エッジレベル)のShapley説明器である第1の方法は、KernelSHAPアルゴリズムを用いて、個々の時間的イベントに対するコントリビューションスコアを推定し、モデル動作の解釈可能な記述を提供する。
機能レベルのShapley説明器である2つ目は、イベントレベルのShapley値をOwen値に分解することで、このフレームワークを拡張して、イベントとその機能に対する階層的な依存関係を明らかにする。
説明者は、異なるメトリクスとデータセットでSOTA説明器より優れている。
さらに、Feature Explainerは、一般的に使用されているTGAT実装の実際のタイムスタンプの誤抽出を明らかにし、非常にスパースな説明によるパフォーマンス低下をさらに理解するのに役立つ。
関連論文リスト
- ExplainerPFN: Towards tabular foundation models for model-free zero-shot feature importance estimations [15.177865402589122]
ExplainerPFNは、基礎となるモデルや参照説明にアクセスせずにShapley値を推定するためのゼロショットメソッドである。
ExplainerPFN は 2-10 SHAP の例に依存した数発のサロゲート説明器で性能の競争力を発揮することを示す。
論文 参考訳（メタデータ） (2026-01-30T15:17:36Z) - Explainable time-series forecasting with sampling-free SHAP for Transformers [3.515829683606796]
本稿では,Transformerアーキテクチャに基づく,高精度かつ高速かつサンプリング不要な時系列予測モデルであるSHAPformerを紹介する。
SHAP Permutation Explainerより数桁高速な説明を1秒以内で生成する。
地上の真実を説明する合成データについて、SHAPformerはデータに忠実な説明を提供する。
論文 参考訳（メタデータ） (2025-12-23T17:02:35Z) - Self-Explainable Temporal Graph Networks based on Graph Information Bottleneck [21.591458816091126]
テンポラルグラフネットワーク(TGNN)は、時間とともにグラフ内の相互作用のトポロジと動的依存関係をキャプチャする能力を持つ。
過去の出来事が予測にどのように影響するかを特定するのが困難であるため、TGNNモデルの予測を説明する必要性が高まっている。
これは、時間グラフの予測と説明をエンドツーエンドで同時に行う最初の作品である。
論文 参考訳（メタデータ） (2024-06-19T04:55:34Z) - SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。
このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。
そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
論文 参考訳（メタデータ） (2023-12-02T07:40:21Z) - SHAPNN: Shapley Value Regularized Tabular Neural Network [4.587122314291091]
本稿では,教師あり学習のための新しい深層データモデリングアーキテクチャであるSHAPNNを紹介する。
我々のニューラルネットワークは、標準的な後方伝播最適化手法を用いて訓練され、リアルタイムに推定されたShapley値で正規化される。
我々は,これらの手法を公開データセット上で評価し,最先端のディープニューラルネットワークモデルと比較した。
論文 参考訳（メタデータ） (2023-09-15T22:45:05Z) - Robust Ante-hoc Graph Explainer using Bilevel Optimization [0.7999703756441758]
グラフニューラルネットワークのための新鮮でフレキシブルなアンテホック説明器 RAGE を提案する。
RAGEは、予測に必要な完全な情報を含む分子サブ構造を効果的に識別することができる。
種々の分子分類タスクに関する実験により、RAGEの説明は既存のポストホック法やアンテホック法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-05-25T05:50:38Z) - Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。
TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。
共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
論文 参考訳（メタデータ） (2022-12-20T17:40:03Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - Task-Agnostic Graph Explanations [50.17442349253348]
グラフニューラルネットワーク(GNN)は、グラフ構造化データをエンコードする強力なツールとして登場した。
既存の学習ベースのGNN説明手法は、訓練においてタスク固有である。
本稿では、下流タスクの知識のない自己監督下で訓練されたタスク非依存のGNN Explainer(TAGE)を提案する。
論文 参考訳（メタデータ） (2022-02-16T21:11:47Z) - Leakage-Adjusted Simulatability: Can Models Generate Non-Trivial
Explanations of Their Behavior in Natural Language? [86.60613602337246]
我々はNL説明を評価するためのリーク調整シミュラビリティ(LAS)指標を提案する。
LASは、どのように説明が直接アウトプットをリークするかを制御しながら、オブザーバがモデルのアウトプットを予測するのに役立つかを計測する。
マルチエージェントゲームとしての説明文生成を行い、ラベルリークをペナライズしながら、シミュラビリティの説明を最適化する。
論文 参考訳（メタデータ） (2020-10-08T16:59:07Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z)
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。