論文の概要: Faithful, Sufficient and Understandable: Rethinking Graph Counterfactual Explanations via Discrete Diffusion Inversion

• arxiv url: http://arxiv.org/abs/2608.12083v1
• Date: Wed, 12 Aug 2026 14:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.599559
• Title: Faithful, Sufficient and Understandable: Rethinking Graph Counterfactual Explanations via Discrete Diffusion Inversion
• Title（参考訳）: 忠実で十分で理解できない:離散拡散インバージョンによるグラフの非現実的説明の再考
• Abstract要約: グラフニューラルネットワーク(GNN)は、化学、生物学、ネットワーク分析といった分野にわたるグラフ構造化データに対して、強い予測性能を達成する。 それらの予測に関する本質的な説明は提供されていない。 否定的な説明は、モデルの予測を変える最小限の構造的な変更を明らかにすることで、この問題に対処する。 Inversion (GDCE-I) を用いたグラフ拡散対実説明法を提案する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) achieve strong predictive performance on graph-structured data across domains such as chemistry, biology, and network analysis, yet they provide no intrinsic explanation of their predictions. This limits their adoption in high-stakes and safety-critical settings. Counterfactual explanations address this by revealing the minimal structural modifications that would change a model's prediction. On graphs, however, such a modification is hard to produce. The search space is discrete and combinatorial, and a valid answer must respect categorical node and edge types together with domain rules such as chemical valency in the case of molecular graphs. Existing explainers give up one of two things. Either edits are not held on the data manifold, or the search does not span the full edit space. We propose Graph Diffusion Counterfactual Explanation via Inversion (GDCE-I), which gives up neither. A discrete denoising diffusion model with a novel discrete inversion scheme enables distribution-aware edits leveraging the whole domain edit space. We further address the incomplete and inconsistent evaluation of graph counterfactuals by deriving a framework of explanation desiderata and applying it to every method under one shared protocol. Across four benchmarks, GDCE-I outperforms related work by a large margin on the defined framework. For the molecular domain, we further qualitatively show that GDCE-I attains interpretable in-distribution solutions.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、化学、生物学、ネットワーク分析などの領域にわたるグラフ構造化データに対して強力な予測性能を達成するが、それらの予測に関する本質的な説明は提供しない。 これにより、ハイテイクと安全クリティカルな設定での採用が制限される。 否定的な説明は、モデルの予測を変える最小限の構造的な変更を明らかにすることで、この問題に対処する。 しかしグラフでは、このような修正は生成が困難である。 探索空間は離散的で組合せ的であり、有効な答えは、分子グラフの場合の化学価数のような領域規則と共に分類ノードとエッジタイプを尊重しなければならない。 既存の説明者は2つのうちの1つをあきらめます。 データ多様体に編集が保持されないか、検索が完全な編集空間にまたがらないかのいずれかである。 Inversion (GDCE-I) を用いたグラフ拡散逆説明法を提案する。 離散化拡散モデルと新しい離散反転スキームは、領域全体の編集空間を活用する分布認識編集を可能にする。 さらに、Desiderataの説明の枠組みを導出し、それを1つの共有プロトコル下のすべてのメソッドに適用することにより、グラフ反事実の不完全かつ矛盾した評価に対処する。 4つのベンチマークで、GDCE-Iは、定義されたフレームワークにおいて、関連する作業を大きなマージンで上回っている。 分子領域については、GDCE-Iが解釈可能な分散解が得られることをさらに定性的に示す。

関連論文リスト

• When Do Graph Foundation Models Transfer? A Data-Centric Theory [68.54337055801571]
  グラフ基盤モデル(GFMs)は、様々なグラフドメインにまたがる単一のバックボーンの再利用を目的としているが、それらの転送は不均一であり、負の転送を示すことがある。 我々は、セットベースおよびメッセージパストークン化の両方に対して、任意のリプシッツバックボーンは、クロスドメイン出力シフトの明示的な分解を認めていることを示す。 我々はスペクトルPEの安定性を保証するとともに、固有ベクトルと部分空間に基づくPEの対比挙動を強調する。
  論文  参考訳（メタデータ） (2026-05-28T12:07:27Z)
• Forget and Explain: Transparent Verification of GNN Unlearning [3.0152570264250347]
  削除前後のモデルをスナップショット化するGNNアンラーニングのための説明可能性駆動型検証器を提案する。 我々は5つのベンチマークで2つのバックボーン(GCN, GAT)と4つのアンラーニング戦略(Retrain, GraphEditor, GNNDelete, IDEA)を評価した。 結果は、RetrainとGNNDeleteがほぼ完全なリフレッシュを実現し、GraphEditorが部分消去を提供し、IDEAが残余信号を残していることを示している。
  論文  参考訳（メタデータ） (2025-12-08T11:25:19Z)
• Graph Diffusion Counterfactual Explanation [0.8594140167290097]
  本稿では,グラフデータに対する反実的説明を生成する新しいフレームワークであるグラフ拡散対実的説明法を紹介する。 実験により,本手法が離散分類対象と連続特性の両方に対して,分布内および最小構造的に異なる反事実を確実に生成できることが実証された。
  論文  参考訳（メタデータ） (2025-11-20T12:06:53Z)
• Discrete Diffusion-Based Model-Level Explanation of Heterogeneous GNNs with Node Features [0.25782420501870296]
  実ノード特徴を持つ異種グラフを合成するモデルレベルの説明手法であるDiGNNExplainerを提案する。 我々は、複数のデータセットに対するアプローチを評価し、DiGNNExplainerが現実的で、モデルの意思決定に忠実な説明を生成することを示す。
  論文  参考訳（メタデータ） (2025-08-11T20:33:10Z)
• Graph Counterfactual Explainable AI via Latent Space Traversal [4.337339380445765]
  反実的な説明は、分配の代替入力の「アレスト」を見つけることによって予測を説明することを目的としている。 本稿では, 識別可能なブラックボックスグラフ分類器に対して, 反実的説明を生成する手法を提案する。 我々は3つのグラフデータセットに対するアプローチを実証的に検証し、我々のモデルはベースラインよりも一貫してハイパフォーマンスで堅牢であることを示した。
  論文  参考訳（メタデータ） (2025-01-15T15:04:10Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
  本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。 本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。 経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• MixupExplainer: Generalizing Explanations for Graph Neural Networks with Data Augmentation [6.307753856507624]
  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から学習する能力によって、注目を集めている。 GNN予測を理解するために、ポストホックなインスタンスレベルの説明法が提案されている。 我々は,既存手法における分布シフト問題の存在に光を当て,説明の質に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-07-15T15:46:38Z)
• 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)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
  Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。 既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。 現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。 我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
  論文  参考訳（メタデータ） (2021-12-02T03:18:18Z)
• Nonlinear State-Space Generalizations of Graph Convolutional Neural Networks [172.18295279061607]
  グラフ畳み込みニューラルネットワーク(GCNN)は、線形グラフ畳み込みを非線形にネストすることで、ネットワークデータから構成表現を学習する。 本稿では,GCNNを状態空間の観点からアプローチし,グラフ畳み込みモジュールが最小値線形状態空間モデルであることを明らかにする。 この状態更新は、非パラメトリックであり、グラフスペクトルによって爆発または消滅する可能性があるため、問題となる可能性がある。 本稿では,非線形な状態空間パラメトリック方式でノード特徴を階層内に集約し,よりよいトレードオフを実現するという,新しい結節集合規則を提案する。
  論文  参考訳（メタデータ） (2020-10-27T19:48:56Z)

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。