論文の概要: Explaining Temporal Graph Neural Networks via Feature-induced Information Flow

• arxiv url: http://arxiv.org/abs/2606.27201v1
• Date: Thu, 25 Jun 2026 16:00:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.338655
• Title: Explaining Temporal Graph Neural Networks via Feature-induced Information Flow
• Title（参考訳）: 特徴誘発情報フローによる時間グラフニューラルネットワークの解説
• Abstract要約: イベントベースのテンポラルグラフニューラルネットワーク(ETGNN)は、幅広いアプリケーションで高いパフォーマンスを示している。 本稿では,すべてのイベント関連変数を流れるエンペンタリー情報を解析する新しい属性法を提案する。 我々は,流行の追跡と社会的ダイナミクスのための2つの合成データセットと,政治イベントネットワークの現実的なデータセットに対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 20.91154042249583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event-based Temporal Graph Neural Networks (ETGNNs) have demonstrated strong performance across a wide range of applications, including social network analysis, epidemic tracing, recommender systems, and political event forecasting. However, their increasing complexity poses significant challenges for explainability. Existing explanation methods focus only on a subset of the information flow within ETGNNs, typically tracing contributions from the event-related embeddings to the output. Consequently, they overlook the important pathways through event-induced variables, which mediate interactions between nodes and thereby play a central role in capturing long-range temporal dependencies. To overcome this limitation, we propose a novel attribution method that analyzes the \emph{entire} information flow through all event-associated variables. Our method is built upon the recent Normalized Relevance Measure (NRM) framework, which enables explicit quantification of information flow originating from event embeddings as well as information flow passing through event-induced variables. It also ensures comparability of latent variables across layers, and supports higher-order analysis of interactions between events. To handle the architectural complexity of ETGNNs, we extend the NRM framework with a modular decomposition procedure that facilitates the systematic construction of relevance structure for complex neural architectures. We evaluate our approach on two synthetic datasets for epidemic tracing and social dynamics, as well as a real-world dataset of political event networks. Our qualitative and quantitative experiments show that our method consistently outperforms existing explanation approaches while producing more human-interpretable explanations.
• Abstract（参考訳）: イベントベースのテンポラルグラフニューラルネットワーク(ETGNN)は、ソーシャルネットワーク分析、流行の追跡、レコメンダシステム、政治イベント予測など、幅広いアプリケーションで強力なパフォーマンスを示している。 しかし、複雑さの増大は説明可能性に重大な課題をもたらす。 既存の説明手法はETGNN内の情報フローのサブセットにのみ焦点を合わせ、典型的にはイベント関連の埋め込みから出力へのコントリビューションをトレースする。 その結果、イベント誘発変数を通じて重要な経路を見落とし、ノード間の相互作用を仲介し、長い時間的依存関係をキャプチャする中心的な役割を果たす。 この制限を克服するために,すべてのイベント関連変数を流れる「emph{entire}」情報を解析する新しい属性法を提案する。 本手法は, イベント埋め込みから発生する情報フローの明示的な定量化と, イベント誘発変数を経由する情報フローの定量化を可能にする, NRMフレームワーク上に構築されている。 また、レイヤ間の遅延変数の互換性を確保し、イベント間のインタラクションの高次解析をサポートする。 ETGNNのアーキテクチャの複雑さに対処するため、複雑なニューラルネットワークアーキテクチャの関連構造の体系的構築を容易にするモジュール分解手順により、NEMフレームワークを拡張した。 我々は,流行の追跡と社会的ダイナミクスのための2つの合成データセットと,政治イベントネットワークの現実的なデータセットに対するアプローチを評価した。 定性的かつ定量的な実験により,本手法は既存の説明手法よりも優れた性能を示しながら,より人間に解釈可能な説明を導出する。

関連論文リスト

• Learning Structural Convergence: A Neuro-Symbolic Benchmark for Temporal Reasoning [2.7644691581661287]
  本稿では,高複雑性イベント駆動システムにおける時間構造推論のベンチマークであるTRACTAを紹介する。 ベンチマークには、 early_warning、 pattern_detection、run_classificationの3つのタスクが含まれている。 結果から, 生の事象レベルの学習は依然として有意であるが, 意味的能力に対する時間的モデリングは, 最高集合点推定を達成していることがわかった。
  論文  参考訳（メタデータ） (2026-07-24T14:50:19Z)
• Structured Neural Marked Point Processes for Interpretable Event Interaction Modeling [12.453735847515006]
  マルチクラスイベントストリームは多くの実世界のアプリケーションで発生し、構造化され解釈可能なイベント間の関係を明らかにすることは、正確な予測とともに、依然として中心的な課題である。 既存のニューラルポイントプロセスモデルは非常に表現力が高いが、イベントインタラクションをブラックボックス方式でエンコードすることで、構造化された依存関係の明示的な発見を防止する。 本稿では,データからイベント・ワイド・クラス・リレーションシップを明確化しつつ,高いモデリング柔軟性を実現する構造化ニューラルマークポイントプロセス(SNMPP)を提案する。
  論文  参考訳（メタデータ） (2026-05-17T17:56:22Z)
• Time Series Analysis of Spiking Neural Systems via Transfer Entropy and Directed Persistent Homology [0.0]
  本稿では、トランスファーエントロピー(TE)と永続ホモロジー(PH)を統合したニューラルネットワーク時系列分析フレームワークを提案する。 TEはニューロン間の方向の影響を定量化し、動的相互作用を反映した重み付き有向グラフを生成する。 この枠組みを,論理ゲートタスクを訓練した合成スパイクネットワーク,構造化および摂動入力に曝露した画像分類ネットワーク,行動事象を付加したマウス皮質記録に適用した。
  論文  参考訳（メタデータ） (2025-08-26T14:01:53Z)
• XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
  XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。 XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
  論文  参考訳（メタデータ） (2024-08-27T01:14:34Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Amortized Network Intervention to Steer the Excitatory Point Processes [8.15558505134853]
  動的グラフ上に発生する励起点過程(すなわちイベントフロー)は、時間と空間を通じて離散事象がどのように広がるかを把握するためのきめ細かいモデルを提供する。 動的グラフ構造を変更してイベントフローを効果的に操縦する方法は、感染症の拡散を抑制する動機となる興味深い問題である。 我々はAmortized Network Interventionsフレームワークを設計し、履歴やその他のコンテキストから最適なポリシーをプールできるようにする。
  論文  参考訳（メタデータ） (2023-10-06T11:17:28Z)
• Over-Squashing in Graph Neural Networks: A Comprehensive survey [0.0]
  この調査は、グラフニューラルネットワーク(GNN)におけるオーバースカッシングの課題を掘り下げるものだ。 オーバースカッシングの原因、結果、緩和戦略を包括的に探求する。 グラフの書き換え、新しい正規化、スペクトル分析、曲率に基づく戦略など、様々な手法がレビューされている。 また、オーバー・スムーシングなど、オーバー・スカッシングと他のGNN制限との相互作用についても論じている。
  論文  参考訳（メタデータ） (2023-08-29T18:46:15Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Inter-layer Information Similarity Assessment of Deep Neural Networks Via Topological Similarity and Persistence Analysis of Data Neighbour Dynamics [93.4221402881609]
  ディープニューラルネットワーク(DNN)による情報構造の定量的解析により、DNNアーキテクチャの理論的性能に関する新たな知見が明らかにされる。 量的情報構造解析のためのLSとIDの戦略に着想を得て, 層間情報類似度評価のための2つの新しい補完手法を提案する。 本研究では,画像データを用いた深層畳み込みニューラルネットワークのアーキテクチャ解析を行い,その効果を実証する。
  論文  参考訳（メタデータ） (2020-12-07T15:34:58Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。