論文の概要: Overcoming Shortcut Learning in Graph Neural Networks through Active Explanation Guidance

• arxiv url: http://arxiv.org/abs/2608.14121v1
• Date: Fri, 14 Aug 2026 09:27:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.337428
• Title: Overcoming Shortcut Learning in Graph Neural Networks through Active Explanation Guidance
• Title（参考訳）: アクティブな説明指導によるグラフニューラルネットワークにおけるショートカット学習の克服
• Authors: Taraneh Younesian, Steve Azzolin, Antonio Longa, Francesco Ferrini, Vincenzo Marco De Luca, Stefano Teso,
• Abstract要約: グラフニューラルネットワーク(GNN)は、意図せずにショートカットを利用すれば、予測タスクを解決できる。 我々は,そのようなショートカットをGNNから取り除くためのアーキテクチャ・アズ・ザ・ループ戦略であるXIGLを紹介する。
• 参考スコア（独自算出の注目度）: 9.815894446407215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) can solve prediction tasks by unintentionally exploiting shortcuts---that is, edges, nodes, and features that correlate with but are not causal for the prediction---which compromise their reliability in out-of-distribution tasks. We introduce XIGL, an architecture-agnostic human-in-the-loop strategy for removing such shortcuts from GNNs. Our key insight is twofold. On the one hand, reliance on shortcuts can be detected by inspecting GNN explanations. On the other hand, once made aware of such shortcuts, sufficiently expert users can provide tailored corrective feedback, which helps deconfound the model. XIGL supports any query strategy; however, since corrective feedback can be expensive to acquire, we develop an active learning strategy for prioritizing explanations that are more likely to display shortcut behavior, lowering annotation and cognitive costs. We showcase the effectiveness of XIGL, including both existing and proposed explanation-based strategies, on several GNN architectures. Our implementation is available online.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、意図せずにショートカット、すなわちエッジ、ノード、予測に相関しない機能、すなわち、アウト・オブ・ディストリビューションタスクの信頼性を損なうことによって、予測タスクを解決することができる。 我々は、GNNからそのようなショートカットを取り除くためのアーキテクチャに依存しないヒューマン・イン・ザ・ループ戦略であるXIGLを紹介する。 私たちの重要な洞察は2つです。 一方、GNNの説明を検査することで、ショートカットへの依存を検出することができる。 一方で、一度そのようなショートカットに気付くと、十分な専門家のユーザは、適切な修正フィードバックを提供することができ、モデルを切り離すのに役立ちます。 XIGLはいかなるクエリ戦略もサポートしていますが、修正フィードバックの取得にはコストがかかるため、ショートカット動作の表示やアノテーションの低下、認知コストの低減といった、説明の優先順位付けを行うためのアクティブな学習戦略を開発しています。 いくつかのGNNアーキテクチャ上で,既存および提案した説明に基づく戦略を含むXIGLの有効性を示す。 私たちの実装はオンラインで利用可能です。

関連論文リスト

• Early-Exit Graph Neural Networks for Link Prediction [0.0]
  リンク予測の問題を高速に解くために,グラフニューラルネットワークの早期解法をいかに適用できるかを示す。 この結果から,多くのリンク予測問題に対するGNNの推論速度は,予測品質の面ではほとんど損なわれず,さらに勝率も向上できることがわかった。
  論文  参考訳（メタデータ） (2026-06-20T17:56:36Z)
• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• Extracting Interpretable Logic Rules from Graph Neural Networks [7.262955921646328]
  グラフニューラルネットワーク(GNN)は入力特徴空間とグラフ構造の両方で動作する。 本稿では,GNN から解釈可能な論理規則を抽出するための新しいフレームワーク LOGI CXGNN を提案する。 LOGI CXGNNはモデルに依存しず、効率的で、データ駆動であり、事前定義された概念は不要である。
  論文  参考訳（メタデータ） (2025-03-25T09:09:46Z)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Task-Agnostic Graph Explanations [50.17442349253348]
  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をエンコードする強力なツールとして登場した。 既存の学習ベースのGNN説明手法は、訓練においてタスク固有である。 本稿では、下流タスクの知識のない自己監督下で訓練されたタスク非依存のGNN Explainer(TAGE)を提案する。
  論文  参考訳（メタデータ） (2022-02-16T21:11:47Z)
• A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification [9.365794791156972]
  本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。 商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
  論文  参考訳（メタデータ） (2022-02-11T10:21:34Z)
• Edge-Level Explanations for Graph Neural Networks by Extending Explainability Methods for Convolutional Neural Networks [33.20913249848369]
  グラフニューラルネットワーク(GNN)は、グラフデータを入力として扱うディープラーニングモデルであり、トラフィック予測や分子特性予測といった様々なタスクに適用される。 本稿では,CNNに対する説明可能性の手法として,LIME(Local Interpretable Model-Agnostic Explanations)やGradient-Based Saliency Maps,Gradient-Weighted Class Activation Mapping(Grad-CAM)をGNNに拡張する。 実験結果から,LIMEに基づくアプローチは実環境における複数のタスクに対する最も効率的な説明可能性手法であり,その状態においても優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-11-01T06:27:29Z)
• Jointly Attacking Graph Neural Network and its Explanations [50.231829335996814]
  グラフニューラルネットワーク(GNN)は多くのグラフ関連タスクのパフォーマンスを向上した。 近年の研究では、GNNは敵の攻撃に対して非常に脆弱であることが示されており、敵はグラフを変更することでGNNの予測を誤認することができる。 本稿では、GNNモデルとその説明の両方を同時に利用して攻撃できる新しい攻撃フレームワーク(GEAttack)を提案する。
  論文  参考訳（メタデータ） (2021-08-07T07:44:33Z)

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。