論文の概要: GRAFT: Auditing Graph Neural Networks via Global Feature Attribution

• arxiv url: http://arxiv.org/abs/2605.03377v1
• Date: Tue, 05 May 2026 05:36:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.779352
• Title: GRAFT: Auditing Graph Neural Networks via Global Feature Attribution
• Title（参考訳）: GRAFT:グローバルな特徴属性によるグラフニューラルネットワークの監査
• Authors: Rishi Raj Sahoo, Subhankar Mishra,
• Abstract要約: グラフニューラルネットワーク(GNN)はノード分類タスクにおいて高い性能を発揮するが、解釈は困難である。 我々は,GNNのクラスレベルの特徴重要プロファイルを識別する,ポストホックなグローバルな説明フレームワークであるGRAFTを提案する。 GRAFTは、GNNにおける特徴レベルの振る舞いを分析するための実用的で解釈可能なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph Neural Networks (GNNs) achieve strong performance on node classification tasks but remain difficult to interpret, particularly with respect to which input features drive their predictions. Existing global GNN explainers operate at the structural level identifying recurring subgraph motifs, but none explain model behaviour globally at the level of input node attributes. We propose GRAFT, a posthoc global explanation framework that identifies class-level feature importance profiles for GNNs. The method combines diversity-guided exemplar selection, Integrated Gradients-based attribution, and aggregation to construct a global view of feature influence for each class, which can be further expressed as concise natural language rules using a large language model with self-refinement. We evaluate GRAFT across multiple datasets, architectures, and experimental settings, demonstrating its effectiveness in capturing model-relevant features, supporting bias analysis, and enabling feature-efficient transfer learning. In addition, we introduce a structured human evaluation protocol to assess the interpretability of generated rules along dimensions such as accuracy and usefulness. Our results suggest that GRAFT provides a practical and interpretable approach for analysing feature-level behaviour in GNNs, bridging quantitative attribution with human-understandable explanations.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はノード分類タスクにおいて高い性能を発揮するが、特に入力機能が予測を駆動する部分に関して、解釈が困難である。 既存のグローバルGNN説明器は、繰り返し発生するサブグラフのモチーフを識別する構造レベルで動作しているが、入力ノード属性のレベルでは、グローバルにモデル動作を説明するものはない。 我々は,GNNのクラスレベルの特徴重要プロファイルを識別する,ポストホックなグローバルな説明フレームワークであるGRAFTを提案する。 本手法は,多様性指導による模範選択,統合的グラディエンツに基づく属性,および各クラスの特徴的影響のグローバルなビューを構築するアグリゲーションを組み合わせることで,自己制限付き大規模言語モデルを用いて,より簡潔な自然言語規則として表現することができる。 我々は、複数のデータセット、アーキテクチャ、実験的な設定にまたがってGRAFTを評価し、モデル関連の特徴を捉え、バイアス分析をサポートし、特徴効率の高い伝達学習を可能にした。 また,精度や有用性といった次元に沿って生成したルールの解釈可能性を評価するための構造化された人体評価プロトコルを導入する。 以上の結果から,GRAFTは,GNNにおける特徴レベル行動の分析に実用的かつ解釈可能なアプローチを提供し,人間の理解可能な説明と定量的属性を結び付けることが示唆された。

関連論文リスト

• The Underappreciated Power of Vision Models for Graph Structural Understanding [28.781392309798672]
  グラフニューラルネットワークはボトムアップメッセージパッシングを通じて動作し、人間の視覚的知覚と根本的に異なる。 グラフ理解のための視覚モデルの未熟な可能性について検討し、既存のベンチマークでGNNに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2025-10-27T05:11:44Z)
• TreeX: Generating Global Graphical GNN Explanations via Critical Subtree Extraction [38.99239532650183]
  メッセージパッシングの内部動作によって生じる重要なサブツリーを分析し,抽出することにより,GNNのアンボックス化を提案する。 埋め込み空間のサブツリーを効率的なアルゴリズムで集約することにより、ローカル、クラス、グローバルレベルでメッセージパッシングGNNの直感的なグラフィカルな説明を行うことができる。
  論文  参考訳（メタデータ） (2025-03-12T04:36:28Z)
• Graph Self-Supervised Learning with Learnable Structural and Positional Encodings [39.20899720477907]
  我々は、$k$-hopメッセージパッシングスキームを統合したGNNフレームワークであるemphGenHopNetを紹介する。 また,学習過程全体を通してトポロジ的情報を組み込んだ構造的および位置対応GSSLフレームワークを提案する。 我々の研究は、類似の局所構造を持つグラフと異なるグローバルトポロジを持つグラフを区別するGSSLの能力を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-02-22T14:10:06Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Unveiling Global Interactive Patterns across Graphs: Towards Interpretable Graph Neural Networks [31.29616732552006]
  グラフニューラルネットワーク(GNN)は、グラフマイニングの著名なフレームワークとして登場した。 本稿では,グラフ分類に内在的に解釈可能な新しい手法を提案する。 グローバル対話パターン(GIP)学習は、学習可能なグローバル対話パターンを導入し、決定を明示的に解釈する。
  論文  参考訳（メタデータ） (2024-07-02T06:31:13Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
  本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。 本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
  論文  参考訳（メタデータ） (2023-10-23T05:51:59Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Learnable Structural Semantic Readout for Graph Classification [23.78861906423389]
  位置レベルでのノード表現を要約するために,構造的セマンティック・リードアウト(SSRead)を提案する。 SSReadは、ノードと構造プロトタイプ間のセマンティックアライメントを使用することで、構造的に意味のある位置を特定することを目的としている。 実験の結果,SSReadはGNN分類器の分類性能と解釈可能性を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2021-11-22T20:44:27Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)

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。