論文の概要: Towards Faithful Graph Explanations with Synergistic Edge Effects via Granular Balls

• arxiv url: http://arxiv.org/abs/2607.21381v1
• Date: Thu, 23 Jul 2026 14:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.446221
• Title: Towards Faithful Graph Explanations with Synergistic Edge Effects via Granular Balls
• Title（参考訳）: グラニュラーボールによる相乗的エッジ効果を用いた忠実グラフ説明に向けて
• Abstract要約: SeeExplainerはグラフニューラルネットワーク(GNN)のためのパラメータフリーの説明器である まず,グラフを不連続な粒度に分解するグラニュラーボール精錬機構を導入する。 次に、構造グラフのノードとエッジを摂動させ、説明部分グラフを生成する。
• 参考スコア（独自算出の注目度）: 30.633193487703142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance-level explanations aim to reveal the rationale behind a model's decisions for a specific graph. Previous methods explain graph neural networks (GNNs) by selecting important edges to induce subgraphs, where edge importance is assessed by perturbing each edge and observing changes in the model predictions. However, they often neglect the synergistic effects among edges, which are crucial for accurately characterizing edge importance. To address this issue, we propose SeeExplainer, a parameter-free explainer to interpret GNNs. Specifically, we first introduce a granular-ball graph refinement mechanism that decomposes a graph into several disjoint granular-balls with no fixed size, and utilize them as nodes to construct a structural graph. This process can better capture the synergistic effects among edges. Then, we perturb nodes and edges in the structural graph to generate explanatory subgraphs based on their respective contributions. Experiments on several graph classification datasets of different networks show that SeeExplainer outperforms state-of-the-art baselines.
• Abstract（参考訳）: インスタンスレベルの説明は、特定のグラフに対するモデルの決定の背後にある根拠を明らかにすることを目的としています。 従来のグラフニューラルネットワーク(GNN)は,各エッジを摂動させ,モデル予測の変化を観察することにより,エッジの重要性を評価する部分グラフを誘導するために重要なエッジを選択することで説明されていた。 しかし、エッジの重要性を正確に特徴づけるために重要なエッジ間の相乗効果を無視することが多い。 この問題に対処するために,パラメータフリーでGNNを解釈するSeeExplainerを提案する。 具体的には,まず,グラフを不規則な粒度に分解するグラニュラーボール改良機構を導入し,ノードとして利用して構造グラフを構築する。 このプロセスはエッジ間の相乗効果をよりよく捉えることができる。 次に、構造グラフのノードとエッジを摂動させ、それぞれのコントリビューションに基づいて説明サブグラフを生成する。 異なるネットワークのグラフ分類データセットの実験により、SeeExplainerは最先端のベースラインより優れていることが示された。

関連論文リスト

• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Towards Fine-Grained Explainability for Heterogeneous Graph Neural Network [20.86967051637891]
  不均一グラフニューラルネットワーク(HGN)は、不均一グラフ上のノード分類タスクに対する顕著なアプローチである。 既存の説明可能性技術は主に同質グラフ上のGNNに対して提案されている。 我々は,ブラックボックスHGNの詳細な説明を提供する新しいフレームワークであるxPathを開発した。
  論文  参考訳（メタデータ） (2023-12-23T12:13:23Z)
• Renormalized Graph Representations for Node Classification [21.589472270424405]
  ノード分類作業における粗いグラフ分解能の相違による影響を解析する。 グラフのメソスコピック構造の特徴スケールでの表現を特に実験する。 その結果,元のグラフと特徴的スケールグラフの両方にアクセス可能なモデルでは,統計的に有意な精度の向上が得られた。
  論文  参考訳（メタデータ） (2023-06-01T14:16:43Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• 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)
• OrphicX: A Causality-Inspired Latent Variable Model for Interpreting Graph Neural Networks [42.539085765796976]
  本稿では、グラフニューラルネットワーク(GNN)の因果説明を生成するための新しいeXplanationフレームワークOrphicXを提案する。 本研究では, 個別な生成モデルを構築し, 因果的, コンパクト, 忠実な説明を生成モデルに推奨する目的関数を設計する。 OrphicXは因果的説明を生成するための因果的意味論を効果的に識別できることを示す。
  論文  参考訳（メタデータ） (2022-03-29T03:08:33Z)
• GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
  グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。 本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
  論文  参考訳（メタデータ） (2021-04-18T10:40:37Z)
• On Explainability of Graph Neural Networks via Subgraph Explorations [48.56936527708657]
  本稿では,グラフニューラルネットワーク(GNN)を説明するための新しい手法,SubgraphXを提案する。 我々の研究は,GNNのサブグラフを明示的に識別する最初の試みである。
  論文  参考訳（メタデータ） (2021-02-09T22:12:26Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)

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。