論文の概要: Why Self-Inconsistency Arises in GNN Explanations and How to Exploit It

• arxiv url: http://arxiv.org/abs/2605.07527v1
• Date: Fri, 08 May 2026 09:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.980803
• Title: Why Self-Inconsistency Arises in GNN Explanations and How to Exploit It
• Title（参考訳）: GNNの解説で不整合が生じるのはなぜか?
• Authors: Wenxin Tai, Yaqian Liu, Ting Zhong, Fan Zhou,
• Abstract要約: 近年の研究では、自己解釈型グラフニューラルネットワーク(SI-GNN)による説明は、自己整合性を持つことが報告されている。 モデルに依存しない,トレーニング不要なポストプロセッシング戦略であるセルフデノゲーション(SD)を提案する。
• 参考スコア（独自算出の注目度）: 42.19169368587296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has observed that explanations produced by Self-Interpretable Graph Neural Networks (SI-GNNs) can be self-inconsistent: when the model is reapplied to its own explanatory graph subset, it may produce a different explanation. However, why self-inconsistency arises remains poorly understood. In this work, we first identify re-explanation-induced context perturbation as the direct cause of score variation. We then introduce a latent signal assignment hypothesis to explain why only some edges are sensitive to this perturbation, and analyze how conciseness regularization affects latent signal assignment. Given that self-inconsistent edges do not provide stable evidence for the model's prediction, we propose Self-Denoising (SD), a model-agnostic and training-free post-processing strategy that calibrates explanations with only one additional forward pass. Experiments across representative SI-GNN frameworks, backbone architectures, and benchmark datasets support our hypothesis and show that SD consistently improves explanation quality while adding only about 4--6\% computational overhead in practice.
• Abstract（参考訳）: 近年の研究では、自己解釈型グラフニューラルネットワーク(SI-GNN)による説明が自己整合性を持つことが報告されている。 しかし、なぜ自己矛盾が生じるのかはいまだに理解されていない。 本研究では,まず,再説明による文脈摂動をスコア変動の直接的な原因として同定する。 次に、この摂動に対してエッジだけが敏感である理由を説明するために、潜時信号割当仮説を導入し、簡潔な正則化が潜時信号割当にどのように影響するかを分析する。 自己整合性エッジがモデルの予測に安定した証拠を与えていないことを考慮し,モデルに依存しない,トレーニング不要なポストプロセッシング戦略であるSelf-Denoising(SD)を提案する。 代表的なSI-GNNフレームワーク、バックボーンアーキテクチャ、ベンチマークデータセットにわたる実験は、私たちの仮説をサポートし、SDは、実際の計算オーバーヘッドを4～66%加えるだけで、説明品質を一貫して改善することを示した。

関連論文リスト

• Quantifying Explanation Quality in Graph Neural Networks using Out-of-Distribution Generalization [16.976099446166085]
  説明一般化スコア(英: Explanation-Generalization Score、EGS)は、GNNの説明の因果関係を定量化する計量である。 EGSは、因果サブストラクチャをキャプチャする能力に基づいて、説明書のランク付けのための原則化されたベンチマークを提供する。
  論文  参考訳（メタデータ） (2026-02-07T21:27:35Z)
• Faithful and Consistent Graph Neural Network Explanations with Rationale Alignment [38.66324833510402]
  インスタンスレベルのGNN説明は、ターゲットのGNNが予測に頼っているノードやエッジなどの重要な入力要素を発見することを目的としている。 様々なアルゴリズムが提案され、その多くは、元の予測を保存できる最小限のサブグラフを探索することで、このタスクを形式化する。 いくつかの部分グラフは元のグラフと同じもしくは類似した出力をもたらす。 弱いパフォーマンスのGNNを説明するためにそれらを適用することは、これらの問題をさらに増幅する。
  論文  参考訳（メタデータ） (2023-01-07T06:33:35Z)
• On Consistency in Graph Neural Network Interpretation [34.25952902469481]
  インスタンスレベルのGNN説明は、ターゲットのGNNが予測に頼っているノードやエッジなどの重要な入力要素を発見することを目的としている。 様々なアルゴリズムが提案されているが、その多くは最小の部分グラフを探索することによってこのタスクを定式化している。 埋め込みの整列による簡易かつ効果的な対策を提案する。
  論文  参考訳（メタデータ） (2022-05-27T02:58:07Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• Deconfounding to Explanation Evaluation in Graph Neural Networks [136.73451468551656]
  我々は、全グラフと部分グラフの間に分布シフトが存在し、分布外問題を引き起こすと論じる。 本稿では,モデル予測に対する説明文の因果効果を評価するために,Decon founded Subgraph Evaluation (DSE)を提案する。
  論文  参考訳（メタデータ） (2022-01-21T18:05:00Z)
• Parameterized Explainer for Graph Neural Network [49.79917262156429]
  グラフニューラルネットワーク(GNN)のためのパラメータ化説明器PGExplainerを提案する。 既存の研究と比較すると、PGExplainerはより優れた一般化能力を持ち、インダクティブな設定で容易に利用することができる。 合成データセットと実生活データセットの両方の実験では、グラフ分類の説明に関するAUCの相対的な改善が24.7%まで高い競争性能を示した。
  論文  参考訳（メタデータ） (2020-11-09T17:15:03Z)

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。