論文の概要: TN-SHAP-G: Graph-Structured Tensor Network Surrogates for Shapley Values and Interactions

• arxiv url: http://arxiv.org/abs/2606.01540v1
• Date: Mon, 01 Jun 2026 01:41:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.779427
• Title: TN-SHAP-G: Graph-Structured Tensor Network Surrogates for Shapley Values and Interactions
• Title（参考訳）: TN-SHAP-G:共有値と相互作用のためのグラフ構造化テンソルネットワークサロゲート
• Authors: Farzaneh Heidari, Guillaume Rabusseau,
• Abstract要約: グラフ構造入力の構造を利用してShapley値と高次相互作用指標を効率的に計算するフレームワークを提案する。 学習された因子分解は、小さなグラフ上の正確なShapley値と密に一致し、サンプリングベースの手法が実現不可能な大きなグラフに効率よくスケールすることを示す。
• 参考スコア（独自算出の注目度）: 6.149584741927582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shapley values are a widely used tool for attributing importance and interactions among input variables in black-box models, but their computation involves a function defined over an exponentially large space of subsets. We propose TN-SHAP-G, a framework that exploits structure in graph-structured inputs to compute Shapley values and higher-order interaction indices efficiently. Given a predictor and a fixed masking scheme, TN-SHAP-G learns a compact, graph-aligned multilinear surrogate that approximates the masked-input behavior, represented as a tensor network whose topology mirrors the input graph. Once trained from a small number of oracle queries, the surrogate enables deterministic recovery of first- and higher-order Shapley indices via the multilinear extension, without additional model queries or Monte Carlo variance. Experiments on molecular benchmarks show that the learned factorization closely matches exact Shapley values on small graphs and scales efficiently to larger graphs where sampling-based methods become infeasible.
• Abstract（参考訳）: シェープ値はブラックボックスモデルにおける入力変数間の重要度と相互作用に寄与するツールとして広く用いられているが、それらの計算は指数関数的に大きな部分集合空間上で定義される関数を含む。 グラフ構造入力の構造を利用してShapley値と高次相互作用指標を効率的に計算するフレームワークであるTN-SHAP-Gを提案する。 予測器と固定マスキングスキームが与えられた場合、TN-SHAP-Gは、トポロジが入力グラフをミラーするテンソルネットワークとして表されるマスキング・インプットの挙動を近似する、コンパクトなグラフ整列多重線形サロゲートを学習する。 少数のオラクルクエリからトレーニングされたサロゲートは、モデルクエリやモンテカルロ分散を伴わずに、マルチ線形拡張による一階および高階シェープのインデックスの決定論的回復を可能にする。 分子ベンチマークの実験により、学習された因子化は小さなグラフ上の正確なシェープリー値と密に一致し、サンプリングベースの手法が実現不可能な大きなグラフに効率的にスケールすることを示した。

関連論文リスト

• Exact Computation of Any-Order Shapley Interactions for Graph Neural Networks [53.10674067060148]
  共有インタラクション(SI)は、複数のノード間のノードのコントリビューションとインタラクションを定量化する。 GNNアーキテクチャを利用して、ノード埋め込みにおける相互作用の構造がグラフ予測のために保存されていることを示す。 任意の順序SIを正確に計算するための効率的なアプローチであるGraphSHAP-IQを導入する。
  論文  参考訳（メタデータ） (2025-01-28T13:37:44Z)
• ShapG: new feature importance method based on the Shapley value [3.411077163447709]
  特徴量を測定するために,ShapG (Shapley value for Graphs) と呼ばれる新しい説明可能な人工知能 (XAI) 手法を提案する。 最初の段階では、データセットに基づいて、ノードが機能を表し、エッジが追加される非指向グラフを定義する。 第2段階では、このグラフ構造を考慮したデータをサンプリングすることにより、近似されたシェープ値を算出する。
  論文  参考訳（メタデータ） (2024-06-29T18:19:55Z)
• Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
  冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。 既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。 実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
  論文  参考訳（メタデータ） (2023-11-02T06:09:24Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• T-LoHo: A Bayesian Regularization Model for Structured Sparsity and Smoothness on Graphs [0.0]
  グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。 グラフィカルな関係を持つ高次元パラメータに先立って提案する。 構造された空間と滑らかさを同時に検出するために使用します。
  論文  参考訳（メタデータ） (2021-07-06T10:10:03Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。