論文の概要: Measuring What Matters: A Unified Evaluation Framework for GNN Explainability

• arxiv url: http://arxiv.org/abs/2607.04600v1
• Date: Mon, 06 Jul 2026 02:03:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.005102
• Title: Measuring What Matters: A Unified Evaluation Framework for GNN Explainability
• Title（参考訳）: 重要度を測定する: GNN Explainabilityの統一評価フレームワーク
• Authors: Francesco Paolo Nerini, Mirko Zaffaroni, Paolo Baracco, Gabriele Ciravegna, Alan Perotti,
• Abstract要約: Graph eXplainable AI(G-XAI)は、グラフニューラルネットワークを解釈可能かつ説明可能にする上で、ますます重要になっている。 我々はG-XAIのための統一的で定量的なベンチマークフレームワークを導入する。 本研究は,信頼性の高いGNNベースのパイプラインの評価と展開において,機械学習実践者を支援するために,実用的なG-XAIユーザビリティガイドラインに抽出する。
• 参考スコア（独自算出の注目度）: 5.478527138043119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph eXplainable AI (G-XAI) is increasingly important for making Graph Neural Networks interpretable and accountable. While a growing number of explainers are available, choosing the right method and assessing the trustworthiness of its outputs remains unclear. Consistent evaluation practices and actionable guidance are still missing, hindering practical adoption. In this paper, we introduce a unified, quantitative benchmarking framework for G-XAI that requires no ground-truth assumptions. We formalize tabular explainability metrics for graph data, evaluating topological structure and node features as independent components. Our large-scale benchmarking study identifies explainers that consistently lie on the Pareto front across metric pairs and tasks, establishing robustly non-dominated solutions - while confirming that no single explainer achieves universal superiority. We distill our findings into actionable G-XAI usability guidelines to support Machine Learning practitioners in evaluating and deploying trustworthy GNN-based pipelines.
• Abstract（参考訳）: Graph eXplainable AI(G-XAI)は、グラフニューラルネットワークを解釈可能かつ説明可能にする上で、ますます重要になっている。 説明者が増えているが、正しい方法を選択し、そのアウトプットの信頼性を評価することは、まだ不明である。 一貫性のある評価プラクティスと実行可能なガイダンスがまだ欠落しており、実践的な採用を妨げる。 本稿では,G-XAIのための統一的,定量的なベンチマークフレームワークを提案する。 グラフデータに対する表型説明可能性指標を定式化し、トポロジ的構造とノード特徴を独立成分として評価する。 私たちの大規模なベンチマーク調査では、メトリクスペアとタスクをまたいだParetoフロントに一貫して存在する説明者を特定し、堅牢に非支配的なソリューションを確立すると同時に、単一の説明者が普遍的な優位性を達成することを確認しています。 本研究は,信頼性の高いGNNベースのパイプラインの評価と展開において,機械学習実践者を支援するために,実用的なG-XAIユーザビリティガイドラインに抽出する。

関連論文リスト

• GNNs for Time Series Anomaly Detection: An Open-Source Framework and a Critical Evaluation [0.0]
  グラフニューラルネットワーク(GNN)を用いた時系列異常検出(TSAD)のためのオープンソースフレームワークを提案する。 本研究は,グラフベースのTSADシステムの開発と評価を促進するために,実用ツールと重要な知見の両方に貢献する。
  論文  参考訳（メタデータ） (2026-03-10T13:45:34Z)
• A method for the systematic generation of graph XAI benchmarks via Weisfeiler-Leman coloring [4.187844916497259]
  グラフニューラルネットワークは、構造化データから学習するデファクトモデルになっている。 この大きな問題に対処するために、グラフのための説明可能なAIテクニックがいくつか開発されている。 現在のグラフ-XAIベンチマークは、単純化された合成データセットや、ドメインの専門家がキュレートした現実的なタスクに限られている。 本稿では,グラフ分類データセットからXAIベンチマークを自動生成する手法を提案する。
  論文  参考訳（メタデータ） (2025-05-18T14:19:52Z)
• Uncertainty in Graph Neural Networks: A Survey [47.785948021510535]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• 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)
• Goodhart's Law Applies to NLP's Explanation Benchmarks [57.26445915212884]
  ERASER(Comprehensiveness and sufficiency)メトリクスとEVAL-X(EVAL-X)メトリクスの2つのセットを批判的に検討する。 実験結果の予測や説明を変えることなく,モデル全体の包括性と充足率を劇的に向上させることができることを示す。 我々の結果は、現在のメトリクスが説明可能性の研究をガイドする能力に疑問を呈し、これらのメトリクスが正確に捉えるものを再評価する必要性を強調します。
  論文  参考訳（メタデータ） (2023-08-28T03:03:03Z)
• 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)
• ROSCOE: A Suite of Metrics for Scoring Step-by-Step Reasoning [63.77667876176978]
  大規模言語モデルでは、最終回答を正当化するためにステップバイステップの推論を生成するように促された場合、ダウンストリームタスクの解釈可能性が改善されている。 これらの推論ステップは、モデルの解釈可能性と検証を大幅に改善するが、客観的にそれらの正確性を研究することは困難である。 本稿では、従来のテキスト生成評価指標を改善し拡張する、解釈可能な教師なし自動スコアのスイートであるROSを提案する。
  論文  参考訳（メタデータ） (2022-12-15T15:52:39Z)
• GraphFramEx: Towards Systematic Evaluation of Explainability Methods for Graph Neural Networks [15.648750523827616]
  3つの異なる「ユーザニーズ」に対する説明可能性を考慮したGNN説明可能性のための最初の体系的評価フレームワークを提案する。 不適切なが広く使われている合成ベンチマークでは、パーソナライズされたPageRankのような驚くほど浅いテクニックが最小限の計算時間で最高のパフォーマンスを持つ。 しかし,グラフ構造が複雑で有意義な特徴を持つ場合,評価基準に従って勾配法が最適である。
  論文  参考訳（メタデータ） (2022-06-20T09:33:12Z)

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。