論文の概要: NICE: Scale-Stable Perturbations for Graph Neural Network Explanations via Noise Corruption

• arxiv url: http://arxiv.org/abs/2608.16038v2
• Date: Tue, 18 Aug 2026 07:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 13:45:32.980313
• Title: NICE: Scale-Stable Perturbations for Graph Neural Network Explanations via Noise Corruption
• Title（参考訳）: NICE:ノイズ崩壊によるグラフニューラルネットワーク説明のためのスケール安定摂動
• Abstract要約: Element-wise Masking (EM) は、エッジによって引き起こされるメッセージをゼロに抑制する。 ノイズ破壊(NC)は、一致したノームなランダムな方向の破損を通じて各メッセージに摂動を与える。 騒音破壊に基づく説明フレームワークであるNICEは、NCが引き起こす不確実性の下で復元境界(英語版)(SRB)を学習する。
• 参考スコア（独自算出の注目度）: 67.57304101271096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post-hoc Graph Neural Network (GNN) explainers commonly follow a Perturb-Query paradigm, inferring the importance of graph elements based on queried predictions to perturbed inputs. However, such perturbations often introduce substantial distribution shift, undermining the reliability of the queried predictions used to derive explanations. While existing efforts mainly improve perturbed graphs or stabilize model predictions on them, we revisit the perturbation mechanism itself. We show that the widely used Element-wise Masking(EM) suppresses edge-induced messages toward zero, causing deterministic scale contraction that accumulates across message-passing layers, a phenomenon we term Scale Drift. Consequently, prediction changes under EM may conflate information corruption with deviations in propagation scale. As a scale-stable alternative to EM, we introduce Noise Corruption (NC), which perturbs each message through matched-norm random-direction corruption while preserving the expected squared message norm. Building on NC, we propose NICE, a Noise Corruption-based explanation framework, which learns a Stochastic Restoration Boundary (SRB) under NC-induced uncertainty, balancing target-prediction restoration against compactness. Furthermore, Boundary-Integrated Gradient (BIG) converts this boundary into edge attributions by accumulating each edge's contribution to reducing restoration risk along the restoration path. Experiments across multiple benchmarks demonstrate stronger explanation performance and model faithfulness while confirming that NC substantially reduces the Scale Drift induced by masking.
• Abstract（参考訳）: ポストホックグラフニューラルネットワーク(GNN)の説明者は一般的にパーターブクエリのパラダイムに従い、問合せされた入力に対する予測に基づいてグラフ要素の重要性を推定する。 しかし、そのような摂動は、しばしばかなりの分布シフトをもたらし、説明を導き出すのに使用されるクエリされた予測の信頼性を損なう。 既存の取り組みは主に摂動グラフの改善やモデル予測の安定化を図っているが、摂動機構自体を再考する。 本研究では,広く使用されているEM(Element-wise Masking)が,エッジによって引き起こされるメッセージをゼロに抑制し,メッセージパッシング層に蓄積する決定論的スケール収縮を生じさせる現象であるスケールドリフト(Scale Drift)と呼ぶ現象を示す。 その結果、EM下での予測変化は、伝搬スケールのずれによる情報の破損を説明できる。 EMのスケール安定な代替として、予測される2乗メッセージノルムを保ちつつ、一致したノームなランダム方向の破損によって各メッセージが摂動するノイズ破壊(NC)を導入する。 NCによる不確実性の下で確率的復元境界(SRB)を学習し、目標予測回復とコンパクト性とのバランスをとるノイズ破壊に基づく説明フレームワークであるNICEを提案する。 さらに、BIG(Bundary-Integrated Gradient)はこの境界を、修復経路に沿った修復リスクの低減に各辺の寄与を蓄積することにより、エッジ属性に変換する。 複数のベンチマークによる実験は、NCがマスキングによって引き起こされるスケールドリフトを著しく減少させることを確認しながら、より強力な説明性能とモデル忠実性を示す。

関連論文リスト

• Persistent Gaussian Perturbations Prevent Oversmoothing in Recurrent Graph Neural Networks [2.8427946758947304]
  伝搬ステップ毎に独立なガウスノイズを注入するグラフニューラルネットワークについて検討する。 隠れ表現が幾何学的にエルゴード的なマルコフ連鎖を形成し、一意な不変確率測度を持つことを証明する。 以上の結果から,過密症と闘うメカニズムとして,持続的摂動が根本的に異なることが明らかとなった。
  論文  参考訳（メタデータ） (2026-07-30T13:21:18Z)
• Effective Resistance Rewiring: A Simple Topological Correction for Over-Squashing [0.03636228980200798]
  本稿では,実効抵抗をグローバル信号として利用し,構造的ボトルネックを検出する単純なトポロジ補正手法であるEffective resistance Rewiring(ERR)を紹介する。 ERRは、最大の抵抗を持つノードペア間のエッジを反復的に追加し、最小抵抗のエッジを除去し、弱い通信経路を強化する。 層間におけるノード埋め込みのコサイン類似性を追跡することにより、初期ノード特徴と学習された表現の関係がメッセージパッシング中にどのように進化するかを検討する。
  論文  参考訳（メタデータ） (2026-03-12T13:55:48Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Residual Reweighted Conformal Prediction for Graph Neural Networks [14.329186221388087]
  グラフニューラルネットワーク(GNN)は、データモデリングに優れていますが、不確実性のため、高い領域で重大な課題に直面しています。 本稿では,最小限の予測セットを生成するためのフレームワークであるResidual Reweighted GNN (RR-GNN)を提案する。 RR-GNNは最先端の手法よりも効率が良く、カバー範囲が失われることはない。
  論文  参考訳（メタデータ） (2025-06-09T15:19:17Z)
• 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)
• OrthoReg: Improving Graph-regularized MLPs via Orthogonality Regularization [66.30021126251725]
  グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。 グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。 GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。 次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
  論文  参考訳（メタデータ） (2023-01-31T21:20:48Z)

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。