論文の概要: B-cos GNNs: Faithful Explanations through Dynamic Linearity

• arxiv url: http://arxiv.org/abs/2605.19778v2
• Date: Wed, 27 May 2026 07:50:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:54.778968
• Title: B-cos GNNs: Faithful Explanations through Dynamic Linearity
• Title（参考訳）: B-cos GNN:動的線形性による忠実な説明
• Authors: Joschka Groß, Mohammad Shaique Solanki, Verena Wolf,
• Abstract要約: B-cos GNNは本質的に説明可能なグラフニューラルネットワークのクラスである。 予測をノード単位に分解し、単一入力依存の線形マップを通じて機能毎のコントリビューションを行う。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce B-cos GNNs, an inherently explainable class of graph neural networks whose predictions decompose exactly into per-node, per-feature contributions via a single input-dependent linear map. B-cos GNNs use linear (sum-based) aggregation and replace non-linear message and update functions with B-cos transforms. This induces meaningful, task-specific weight-input alignment that is directly accessible through the model's dynamic linearity. Instance-level explanations follow from a single forward and backward pass, requiring no auxiliary explainer, modified learning objective, or perturbation procedure. Instantiated as a GIN, our approach trades small losses in predictive accuracy for state-of-the-art explainability across diverse synthetic and real-world benchmarks, producing explanations orders of magnitude faster than post-hoc baselines.
• Abstract（参考訳）: 我々はB-cos GNNを紹介した。B-cos GNNは本質的に説明可能なグラフニューラルネットワークのクラスであり、予測はノード毎に正確に分解され、1つの入力依存線形マップを介して機能毎のコントリビューションに分解される。 B-cos GNNは線形(sum-based)アグリゲーションを使用し、非線形メッセージと更新関数をB-cos変換で置き換える。 これは、モデルの動的線形性を通じて直接アクセス可能な有意義でタスク固有の重み-入力アライメントを誘導する。 インスタンスレベルの説明は、1つの前方と後方のパスから続き、補助的な説明や修正された学習目的、摂動手順を必要としない。 GINとして実証された我々の手法は、様々な合成および実世界のベンチマークにおいて、最先端の説明可能性に対する予測精度の小さな損失を処理し、ポストホックベースラインよりもはるかに高速な説明を導出する。

関連論文リスト

• GNNAnatomy: Rethinking Model-Level Explanations for Graph Neural Networks [20.05098366613674]
  グラフニューラルネットワーク(GNN)は、グラフベースのタスク間で優れたパフォーマンスを達成するが、解釈は困難である。 本稿では, 落とし穴を回避しつつ説明文を生成する蒸留法である GNN Anatomy を紹介する。 クラス内の構造的多様性を説明するため、GNNAnatomyは人間とAIのコラボレーションをサポートするインターフェースを通じて、必要な粒度で説明を生成する。
  論文  参考訳（メタデータ） (2024-06-06T23:09:54Z)
• How Graph Neural Networks Learn: Lessons from Training Dynamics [80.41778059014393]
  グラフニューラルネットワーク(GNN)の関数空間におけるトレーニングダイナミクスについて検討する。 GNNの勾配勾配勾配最適化は暗黙的にグラフ構造を利用して学習関数を更新する。 この発見は、学習したGNN関数が一般化した時期と理由に関する新たな解釈可能な洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-08T10:19:56Z)
• Neural networks trained with SGD learn distributions of increasing complexity [78.30235086565388]
  勾配降下法を用いてトレーニングされたニューラルネットワークは、まず低次入力統計を用いて入力を分類する。 その後、トレーニング中にのみ高次の統計を利用する。 本稿では,DSBと他の単純度バイアスとの関係について論じ,学習における普遍性の原理にその意味を考察する。
  論文  参考訳（メタデータ） (2022-11-21T15:27:22Z)
• A Meta-Learning Approach for Training Explainable Graph Neural Networks [10.11960004698409]
  本稿では,GNNの学習時間における説明可能性向上のためのメタラーニングフレームワークを提案する。 我々のフレームワークは、例えばノード分類などの元のタスクを解決するためにモデルを共同で訓練し、下流アルゴリズムで容易に処理可能な出力を提供する。 我々のモデルに依存しないアプローチは、異なるGNNアーキテクチャで生成された説明を改善し、このプロセスを駆動するためにインスタンスベースの説明器を使用することができます。
  論文  参考訳（メタデータ） (2021-09-20T11:09:10Z)
• Zorro: Valid, Sparse, and Stable Explanations in Graph Neural Networks [6.004582130591279]
  GNNモデルによって生成されたラベル分布と説明との相互情報を最大化する以前の説明生成アプローチが制限的であることがわかった。 具体的には、既存のアプローチでは、予測、スパース、あるいは入力摂動に頑健な説明を強制しない。 そこで本稿では, 忠実度を最適化するための簡単な手順を用いて, 速度歪み理論の原理に基づく新しいアプローチZorroを提案する。
  論文  参考訳（メタデータ） (2021-05-18T15:53:09Z)
• 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)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Neural Generators of Sparse Local Linear Models for Achieving both Accuracy and Interpretability [28.90948136731314]
  スパース局所線形モデル(NGSLL)のニューラルジェネレータを提案する。 NGSLLはディープニューラルネットワーク(DNN)を用いて各サンプルに対してスパース線形重みを生成する 予測性能を評価し,画像およびテキスト分類タスクにおいて生成した重みを可視化することにより,NGSLLの有効性を定量的かつ質的に実証する。
  論文  参考訳（メタデータ） (2020-03-13T18:49:36Z)

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。