論文の概要: A Polynomial Architecture-Attribution Co-Design Framework for Exact Aumann-Shapley Attribution in GNNs
- arxiv url: http://arxiv.org/abs/2607.21094v1
- Date: Thu, 23 Jul 2026 09:26:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.349113
- Title: A Polynomial Architecture-Attribution Co-Design Framework for Exact Aumann-Shapley Attribution in GNNs
- Title（参考訳）: GNNにおける具体的なAumann-Shapley属性のための多言語アーキテクチャ-属性共設計フレームワーク
- Abstract要約: 我々は,Aumann-Shapley属性のレンズによるグラフニューラルネットワーク(GNN)の特徴レベルとノードレベルの説明について検討した。
積分グラディエントのような経路積分法は、帰属の公理的な定式化を提供するが、深いGNNにおけるそれらの実践は一般に経路積分に対する有限サンプルの数値近似に依存する。
本稿では,モデル-属性共設計フレームワークであるAPEXを提案する。
- 参考スコア（独自算出の注目度）: 13.870126338533346
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study feature-level and node-level explanations for graph neural networks (GNNs) through the lens of Aumann-Shapley attribution. Path-integral methods such as Integrated Gradients provide an axiomatic formulation of attribution, but their practical use in deep GNNs typically relies on finite-sample numerical approximations to the path integral, requiring a trade-off between quadrature error and computational cost. This paper proposes APEX, a model-attribution co-design framework that makes the attribution integral exactly computable under a polynomial GNN architecture. The key component is PolyGIN, a GIN-style graph network whose message-passing, normalization, and transformation operations preserve a bounded multivariate polynomial form for scalar model scores, such as pre-softmax logits. We show that, for a PolyGIN with $L$ polynomial transformation blocks, the derivative along the attribution path has degree at most $2^L-1$. Therefore, Gauss--Legendre quadrature can evaluate the Aumann--Shapley path integral exactly, up to floating-point precision, with $2^{L-1}$ deterministic evaluation points. The resulting attributions can be computed at the feature level and then aggregated into node-level scores while preserving completeness. Experiments on synthetic and real-world graph benchmarks show that PolyGIN maintains competitive predictive performance, while the complete APEX framework achieves higher attribution fidelity than the compared baselines and substantially reduces the number of evaluations required for path integration.
- Abstract（参考訳）: 我々は,Aumann-Shapley属性のレンズによるグラフニューラルネットワーク(GNN)の特徴レベルとノードレベルの説明について検討した。
積分グラディエントのような経路積分法は帰属の公理的な定式化を提供するが、深いGNNでの使用は一般に経路積分に対する有限サンプルの数値近似に依存し、二次誤差と計算コストのトレードオフを必要とする。
本稿では,モデル-属性共設計フレームワークであるAPEXを提案する。
鍵となるコンポーネントは、メッセージパッシング、正規化、変換操作を行うGINスタイルのグラフネットワークであるPolyGINである。
多項式変換ブロックが$L$のポリGINに対して、帰属経路に沿った微分は少なくとも2^L-1$の次数を持つことを示す。
したがって、Gauss--Legendre乗法は、浮動小数点精度まで、Aumann-Shapley経路積分を正確に評価することができ、決定論的評価点が 2^{L-1}$である。
得られた属性は特徴レベルで計算され、完全性を維持しながらノードレベルのスコアに集約される。
合成および実世界のグラフベンチマーク実験により、PolyGINは競合予測性能を維持し、完全なAPEXフレームワークは比較ベースラインよりも高い属性忠実度を実現し、パス統合に必要な評価回数を大幅に削減することが示された。
関連論文リスト
- Hierarchical Grading in Large Language Models [0.0]
GLLM( Graded Large Language Models)を紹介する。
GLLMは変換器の表現空間に階調を付与するフレームワークである。
この構造は、階調ニューラルネットワークと階調変換器の理論を自己回帰言語モデルに拡張する。
論文 参考訳（メタデータ） (2026-07-23T20:14:48Z) - Neural QAOA$^{2}$: Differentiable Joint Graph Partitioning and Parameter Initialization for Quantum Combinatorial Optimization [3.7086487199744127]
本稿では,グラフ分割と初期パラメータを協調的に生成するエンドツーエンドの微分可能なフレームワークであるNeural QAOA$2$を提案する。
生成的評価ネットワーク(generative Evaluative Network, GEN)を統合することにより, 微分可能な量子評価器を高忠実度性能サロゲートとして利用する。
183 QUBO、Ising、MaxCutのインスタンス(21から1000変数)の実験は、勾配駆動のアプローチがベースラインを大きく上回ることを示した。
論文 参考訳（メタデータ） (2026-05-13T06:43:10Z) - Towards Scalable Persistence-Based Topological Optimization [44.16669776030478]
永続性に基づく位相最適化は、点クラウド $X の部分集合 mathbbRd$ を $L(X) = ell(mathrmDgm(X))$ という形の目的を最小化することによって変形する。
実際、最適化は2つの結合した問題によって制限される: 永続ホモロジーは典型的にはサブサンプル上で計算され、結果として生じる位相勾配は非常にスパースであり、非ゼロ更新を受けるアンカーポイントはわずかである。
論文 参考訳（メタデータ） (2026-05-09T15:47:20Z) - Pareto-optimal Tradeoffs Between Communication and Computation with Flexible Gradient Tracking [20.36100343422038]
本稿では,非rho-convexi.d.シナリオにおける分散最適化問題に対処する。
そこで我々はFlexFlexGTを提案する。FlexFlexGTはフレキシブルなスナップショット追跡手法で、各イテレーションのローカル更新回数を計測する。
我々は,Acc-GTと呼ばれる高速化されたゴシップベースの変種を導入し,通信と計算の間の調整可能な最適トレードオフを実現することを示す。
論文 参考訳（メタデータ） (2025-09-11T21:47:24Z) - Generalization of Geometric Graph Neural Networks with Lipschitz Loss Functions [84.01980526069075]
幾何グラフニューラルネットワーク(GNN)の一般化能力について検討する。
我々は,このGNNの最適経験リスクと最適統計リスクとの一般化ギャップを証明した。
複数の実世界のデータセットに対する実験により、この理論結果を検証する。
論文 参考訳（メタデータ） (2024-09-08T18:55:57Z) - Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳（メタデータ） (2024-04-29T15:04:07Z) - Sample-efficient Learning of Infinite-horizon Average-reward MDPs with General Function Approximation [53.17668583030862]
一般関数近似の文脈において,無限水平平均逆マルコフ決定過程(AMDP)について検討する。
最適化最適化(LOOP)と呼ばれる新しいアルゴリズムフレームワークを提案する。
我々は LOOP がサブ線形 $tildemathcalO(mathrmpoly(d, mathrmsp(V*)) sqrtTbeta )$ regret を達成することを示す。
論文 参考訳（メタデータ） (2024-04-19T06:24:22Z) - Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳（メタデータ） (2024-03-08T18:50:19Z) - Calibrate and Boost Logical Expressiveness of GNN Over Multi-Relational
and Temporal Graphs [8.095679736030146]
2つの変数と数量化器を持つ一階述語論理の断片である$mathcalFOC$NNについて検討する。
本稿では,線形時間で実行可能な,前処理ステップに似た単純なグラフ変換手法を提案する。
我々の結果は,グラフ変換によるR$2$-GNNが,合成および実世界のデータセットのベースライン手法よりも優れていることを一貫して示している。
論文 参考訳（メタデータ） (2023-11-03T00:33:24Z) - Convergence of Adam Under Relaxed Assumptions [72.24779199744954]
我々は、アダムがより現実的な条件下で、$O(epsilon-4)$勾配複雑性で$epsilon$-定常点に収束することを示している。
また、Adamの分散還元版を$O(epsilon-3)$の加速勾配複雑性で提案する。
論文 参考訳（メタデータ） (2023-04-27T06:27:37Z) - Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。
第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文 参考訳（メタデータ） (2023-02-02T08:33:36Z) - On the approximation capability of GNNs in node
classification/regression tasks [4.141514895639094]
グラフニューラルネットワーク(GNN)は、グラフ処理のための幅広い種類の接続モデルである。
GNNはノード分類/回帰タスクの確率の普遍近似であることを示す。
論文 参考訳（メタデータ） (2021-06-16T17:46:51Z)
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。