論文の概要: CIExplainer++: Generating Causal and Interpretable Explanations for Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2606.20747v1
- Date: Wed, 17 Jun 2026 23:55:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 13:16:39.396621
- Title: CIExplainer++: Generating Causal and Interpretable Explanations for Graph Neural Networks
- Title（参考訳）: CIExplainer++: グラフニューラルネットワークの因果関係と解釈可能な説明を生成する
- Authors: Francisco Caldas, Sahil Satish Kumar, Ruben Belo, Cláudia Soares,
- Abstract要約: 説明可能な人工知能(Explainable Artificial Intelligence)は、ブラックボックスモデルの出力につながる要素を人間に理解可能な方法で提示することで、ブラックボックスモデルをより信頼できるものにすることを目的としている。
これは(i)成分を同定し、(i)出力に対する真の因果関係と接続し、(ii)そのような構造を解釈可能な表現に変換する。
我々は、グラフニューラルネットワーク(GNN)を説明するための因果推論に基づく新しい摂動に基づくCIExplainerを紹介する。
- 参考スコア（独自算出の注目度）: 1.2366208723499545
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Explainable Artificial Intelligence aims to make black-box models more trustworthy by presenting, in a human-understandable manner, the elements that lead to the model's output. This involves both (i) identifying components and connections with genuine causal influence on outputs and (ii) translating such structures into an interpretable representation. For the former, we introduce CIExplainer, a novel perturbation-based method grounded in causal inference for explaining Graph Neural Networks (GNNs). CIExplainer identifies the subgraph with the highest causal effects on GNN predictions using the Potential Outcome Framework. We evaluate and compare CIExplainer on various GNN architectures (GCN, GraphSAGE, GAT, GIN) and datasets. To bridge subgraph explanations with human interpretability, we further propose G2TeXplainer, a method that transforms causal subgraphs into natural language explanations that capture both feature-level and relational information.
- Abstract（参考訳）: 説明可能な人工知能(Explainable Artificial Intelligence)は、ブラックボックスモデルの出力につながる要素を人間に理解可能な方法で提示することで、ブラックボックスモデルをより信頼できるものにすることを目的としている。
これには両方が含まれる。
一 生産物及び生産物に対する真正の因果関係の特定
(ii)そのような構造を解釈可能な表現に変換すること。
前者に対しては、グラフニューラルネットワーク(GNN)を説明するための因果推論に基づく新しい摂動に基づく手法であるCIExplainerを紹介する。
CIExplainerは、潜在的なアウトカムフレームワークを使用して、GNN予測に最も因果関係のあるサブグラフを識別する。
各種GNNアーキテクチャ(GCN, GraphSAGE, GAT, GIN)およびデータセット上でCIExplainerを評価し比較する。
さらに,人間の解釈可能性で説明文をブリッジするために,特徴レベルと関係情報の両方を捉える自然言語説明文に因果文を変換するG2TeXplainerを提案する。
関連論文リスト
- GraphXAIN: Narratives to Explain Graph Neural Networks [0.0]
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機械学習において強力な技術である。
既存のGNN説明法では、非データ科学者が理解し難い技術出力が得られる。
GNN予測を説明する自然言語の物語を生成するGraphXAINを提案する。
論文 参考訳（メタデータ） (2024-11-04T19:21:06Z) - 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) - GANExplainer: GAN-based Graph Neural Networks Explainer [5.641321839562139]
グラフニューラルネットワーク(GNN)が、多くのアプリケーションにおいて、特定の予測を行う理由を説明することは重要である。
本稿では,GANアーキテクチャに基づくGANExplainerを提案する。
GANExplainerは、その代替案と比較して、説明精度を最大35%改善する。
論文 参考訳（メタデータ） (2022-12-30T23:11:24Z) - Explainability in subgraphs-enhanced Graph Neural Networks [12.526174412246107]
グラフ強化グラフニューラルネットワーク(SGNN)は,GNNの表現力を高めるために導入された。
本稿では, GNN の最近の解説者の一つである PGExplainer を SGNN に適用する。
本稿では,グラフ分類タスクにおけるSGNNの決定過程を説明することに成功していることを示す。
論文 参考訳（メタデータ） (2022-09-16T13:39:10Z) - 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) - Jointly Attacking Graph Neural Network and its Explanations [50.231829335996814]
グラフニューラルネットワーク(GNN)は多くのグラフ関連タスクのパフォーマンスを向上した。
近年の研究では、GNNは敵の攻撃に対して非常に脆弱であることが示されており、敵はグラフを変更することでGNNの予測を誤認することができる。
本稿では、GNNモデルとその説明の両方を同時に利用して攻撃できる新しい攻撃フレームワーク(GEAttack)を提案する。
論文 参考訳（メタデータ） (2021-08-07T07:44:33Z) - 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) - XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。
GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。
我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
論文 参考訳（メタデータ） (2020-06-03T23:52:43Z)
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。