論文の概要: AIMing for Standardised Explainability Evaluation in GNNs: A Framework and Case Study on Graph Kernel Networks
- arxiv url: http://arxiv.org/abs/2605.14884v1
- Date: Thu, 14 May 2026 14:28:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.872653
- Title: AIMing for Standardised Explainability Evaluation in GNNs: A Framework and Case Study on Graph Kernel Networks
- Title（参考訳）: GNNにおける標準化された説明可能性評価のためのAIM:グラフカーネルネットワークのフレームワークとケーススタディ
- Authors: Magdalena Proszewska, N. Siddharth,
- Abstract要約: 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の処理において大きく進歩しているが、説明可能性を評価するための包括的なフレームワークはいまだに不足している。
AIMは、精度、インスタンスレベルの説明、モデルレベルの説明を計測することで、これらの制限に対処する包括的なフレームワークである。
本稿では,AIMから得られた知見を用いて,改良された説明可能性を示しながら高い精度を維持する更新モデルであるxGKNを開発する方法について述べる。
- 参考スコア（独自算出の注目度）: 7.535219325248995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have advanced significantly in handling graph-structured data, but a comprehensive framework for evaluating explainability remains lacking. Existing evaluation frameworks primarily involve post-hoc explanations, and operate in the setting where multiple methods generate a suite of explanations for a single model. This makes comparison of explanations across models difficult. Evaluation of inherently interpretable models often targets a specific aspect of interpretability relevant to the model, but remains underdeveloped in terms of generating insight across a suite of measures. We introduce AIM, a comprehensive framework that addresses these limitations by measuring Accuracy, Instance-level explanations, and Model-level explanations. AIM is formulated with minimal constraints to enhance flexibility and facilitate broad applicability. Here, we use AIM in a pipeline, extracting explanations from inherently interpretable GNNs such as graph kernel networks (GKNs) and prototype networks (PNs), evaluating these explanations with AIM, identifying their limitations and obtaining insights to their characteristics. Taking GKNs as a case study, we show how the insights obtained from AIM can be used to develop an updated model, xGKN, that maintains high accuracy while demonstrating improved explainability. Our approach aims to advance the field of Explainable AI (XAI) for GNNs, providing more robust and practical solutions for understanding and improving complex models.
- Abstract（参考訳）: 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の処理において大きく進歩しているが、説明可能性を評価するための包括的なフレームワークはいまだに不足している。
既存の評価フレームワークは、主にポストホックな説明を伴い、複数のメソッドが単一のモデルに対して一連の説明を生成する環境で動作します。
これにより、モデル間の説明の比較が困難になる。
本質的に解釈可能なモデルの評価は、しばしばモデルに関連する解釈可能性の特定の側面を対象とするが、一連の測度を通して洞察を生み出すという観点からはまだ未発達である。
AIMは、精度、インスタンスレベルの説明、モデルレベルの説明を計測することで、これらの制限に対処する包括的なフレームワークである。
AIMは柔軟性を高め、幅広い適用性を促進するため、最小限の制約で定式化されている。
本稿では、AIMをパイプラインに使用し、グラフカーネルネットワーク(GKN)やプロトタイプネットワーク(PN)といった本質的に解釈可能なGNNから説明を抽出し、これらの説明をAIMで評価し、制限を特定し、それらの特性に対する洞察を得る。
GKNをケーススタディとして、AIMから得られた知見を用いて、改良された説明可能性を示しながら高い精度を維持した更新モデルであるxGKNを開発する方法を示す。
我々のアプローチは、GNNのための説明可能なAI(XAI)の分野を前進させることを目的としており、複雑なモデルの理解と改善のためのより堅牢で実用的なソリューションを提供する。
関連論文リスト
- Enhancing Explainability of Graph Neural Networks Through Conceptual and Structural Analyses and Their Extensions [0.9645196221785692]
グラフニューラルネットワーク(GNN)は,グラフ構造を用いたデータのモデリングと解析を行う強力なツールとなっている。
現在の説明可能なAI(XAI)メソッドは、グラフ内の複雑な関係や相互作用を解き放つのに苦労している。
この論文は、グラフベースの機械学習に適した新しいXAIフレームワークの開発を目指している。
論文 参考訳（メタデータ） (2025-12-09T08:13:31Z) - Variational Graph Convolutional Neural Networks [72.67088029389764]
不確実性は、グラフ畳み込みネットワークの説明可能性を改善するのに役立つ。
不確実性は、モデルの結果を検証するために重要なアプリケーションでも使用することができる。
論文 参考訳（メタデータ） (2025-07-02T13:28:37Z) - ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained
Language Models for Question Answering over Knowledge Graph [142.42275983201978]
本稿では,構造化推論を行うためのGNNを模倣するサブグラフ認識型自己認識機構を提案する。
また、モデルパラメータを2万のサブグラフで合成した質問に適応するための適応チューニング戦略も採用する。
実験により、ReasoningLMは、更新されたパラメータが少なく、トレーニングデータが少ない場合でも、最先端のモデルを大きなマージンで上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-30T07:18:54Z) - Towards Robust Fidelity for Evaluating Explainability of Graph Neural Networks [32.345435955298825]
グラフニューラルネットワーク(GNN)は、グラフノード間のメッセージパッシングを介してグラフィカルデータの依存性構造を利用するニューラルネットワークである。
GNN説明可能性の研究における主な課題は、これらの説明機能の性能を評価するための忠実度尺度を提供することである。
本稿では,この基礎的課題について考察し,その限界を浮き彫りにする。
論文 参考訳（メタデータ） (2023-10-03T06:25:14Z) - Semantic Interpretation and Validation of Graph Attention-based
Explanations for GNN Models [9.260186030255081]
本稿では,グラフニューラルネットワーク(GNN)に基づくモデルの説明可能性を高めるために,意味的注意力を用いた手法を提案する。
本研究は,注意分布のばらつきを意味的にソートした特徴集合と関連づけることで,既存の注意グラフ説明可能性手法を拡張した。
提案手法をライダーポイントクラウド推定モデルに適用し,性能向上に寄与する主要なセマンティッククラスを同定する。
論文 参考訳（メタデータ） (2023-08-08T12:34:32Z) - Explaining Explainability: Towards Deeper Actionable Insights into Deep
Learning through Second-order Explainability [70.60433013657693]
2階説明可能なAI(SOXAI)は、最近インスタンスレベルからデータセットレベルまで説明可能なAI(XAI)を拡張するために提案されている。
そこで本研究では,SOXAIの動作可能な洞察に基づくトレーニングセットから無関係な概念を除外することで,モデルの性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2023-06-14T23:24:01Z) - Interpreting GNN-based IDS Detections Using Provenance Graph Structural Features [15.522099372465695]
グラフネットワーク(GNN)ベースのセキュリティソリューションは、セキュリティクリティカルなタスクのためにシステムグラフをダイジェストする。
本稿では、PROVEXPLAINERが現在の最先端(SOTA)GNN説明器と相乗してドメインとインスタンス固有の説明を提供する方法を示す。
論文 参考訳（メタデータ） (2023-06-01T17:36:24Z) - 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) - 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) - Interpretable Learning-to-Rank with Generalized Additive Models [78.42800966500374]
ラーニング・ツー・ランクのモデルの解釈可能性は、非常に重要でありながら、比較的過小評価されている研究分野である。
解釈可能なランキングモデルの最近の進歩は、主に既存のブラックボックスランキングモデルに対するポストホックな説明の生成に焦点を当てている。
一般化加法モデル(GAM)をランキングタスクに導入することにより,本質的に解釈可能な学習 to ランクの基盤を築いた。
論文 参考訳（メタデータ） (2020-05-06T01:51:30Z)
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。