論文の概要: Generating Intervention Hypotheses using Explainable Explanations on Graphs: G2I, a Two-Stage Greedy Framework

• arxiv url: http://arxiv.org/abs/2608.23835v1
• Date: Mon, 24 Aug 2026 21:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.606738
• Title: Generating Intervention Hypotheses using Explainable Explanations on Graphs: G2I, a Two-Stage Greedy Framework
• Title（参考訳）: グラフ上の説明可能な説明を用いた干渉仮説の生成:2段階グレディフレームワークG2I
• Abstract要約: 公衆衛生と社会科学における現実的な意思決定は、予測モデルから恩恵を受けることができる。 予測を効果的な介入に変換するには、モデルの振る舞いを説明する必要があります。 既存の説明手法は、動作可能なネットワークレベルの介入設計をサポートできない。
• 参考スコア（独自算出の注目度）: 9.74230427221556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world decision-making in public health and social science can greatly benefit from predictive models, yet translating predictions into effective interventions requires explaining the model behavior. While Graph Neural Networks (GNNs) are well-suited for modeling relational data, existing explanation methods largely operate at the node level and fall short of supporting actionable, network-level intervention design. Existing counterfactual GNN explainers, such as CF-GNNExplainer and CF$^2$, rely on continuous mask optimization over features and edges, which implicitly assume feasible edge manipulation, may allocate effort to immutable or non-actionable attributes, and incur substantial computational overhead. Further, the method of arriving at the explanation itself is difficult to explain to a domain specialist who is not an AI expert. Can simple methods generate good explanations? To explore this, we reframe counterfactual explanation as an intervention design problem. At the local level, we generate counterfactuals via a greedy search that directly identifies minimal, actionable changes to node features and neighbor-level conditions. We derive conditions under which the greedy search provides guarantees, and empirically show that these conditions are approximately met. These counterfactuals are converted into interpretable rules suitable for real-world intervention. At the network level, we formulate intervention selection as a Disjunctive Normal Form (DNF) coverage problem under a budget constraint, which is nondecreasing and approximately submodular, enabling a greedy algorithm with theoretical guarantees. Experiments on synthetic graphs and real-world suicide risk networks demonstrate that our approach produces scalable, cost-effective intervention strategies with significantly improved efficiency over mask-based counterfactual methods.
• Abstract（参考訳）: 公衆衛生と社会科学における現実的な意思決定は予測モデルから大きな恩恵を受けるが、予測を効果的な介入に変換するにはモデル行動を説明する必要がある。 グラフニューラルネットワーク(GNN)は関係データのモデリングに適しているが、既存の説明手法は主にノードレベルで動作し、動作可能なネットワークレベルの介入設計をサポートしていない。 CF-GNNExplainer(英語版)やCF$^2$(英語版)のような既存のカウンターファクトのGNN説明器は、特徴やエッジに対する連続的なマスク最適化に依存しており、これは暗黙的にエッジ操作を仮定し、不変または非実行可能な属性への労力を割り当て、かなりの計算オーバーヘッドを発生させる可能性がある。 さらに、説明そのものに着く方法は、AIの専門家ではないドメインスペシャリストに説明することが難しい。 簡単な方法でも良い説明ができますか。 これを探るため、我々は介入設計問題として反実的説明を再構成した。 局所的なレベルでは、ノードの特徴や近隣の条件に対する最小限かつ実行可能な変更を直接識別するgreedyサーチにより、偽物を生成する。 欲求探索が保証を提供する条件を導出し、これらの条件がほぼ満たされていることを実証的に示す。 これらのカウンターファクトは、現実世界の介入に適した解釈可能なルールに変換される。 ネットワークレベルでは,差分正規形式 (Disjunctive Normal Form, DNF) の包含問題として介入選択を定式化する。 合成グラフと実世界の自殺リスクネットワークの実験により,我々のアプローチは,マスクベースのカウンターファクト法よりも高い効率で,スケーラブルで費用対効果の高い介入戦略を生み出すことを示した。

関連論文リスト

• PACE: A Neuro-Symbolic Framework for Plausible and Actionable Counterfactual Explanations [0.0]
  PACEは、ファシビリティを意識した対実的説明を生成するためのモジュラー・ニューロシンボリック・フレームワークである。 実行可能な介入を明示的にモデル化することで、このフレームワークはドメイン知識と整合した説明を生成する。 結果は、カウンターファクトの妥当性と妥当性のトレードオフを浮き彫りにする。
  論文  参考訳（メタデータ） (2026-07-01T16:55:06Z)
• AbstainGNN: Teaching Graph Neural Networks to Abstain for Graph Classification [56.26852966986448]
  AbstainGNNはグラフ分類のための新しい理論駆動のフレームワークである。 予測関数と禁忌関数の両方を明示的にモデル化し、グラフ構造情報の有効利用を可能にする。 5つのベンチマークデータセットの実験によると、AbstainGNNは既存の禁忌法より優れている。
  論文  参考訳（メタデータ） (2026-05-29T03:21:14Z)
• ATEX-CF: Attack-Informed Counterfactual Explanations for Graph Neural Networks [11.482900418658078]
  ATEX-CFは、敵攻撃技術と対実的説明生成を統一するフレームワークである。 提案手法は, 理論的に基礎を置き, エッジ付加と削除の両方を効率よく統合し, 衝撃的な反事実を探索する。 合成および実世界のノード分類ベンチマークの実験は、ATEX-CFが忠実で簡潔で妥当な説明を生成することを示した。
  論文  参考訳（メタデータ） (2026-02-05T22:36:30Z)
• How Explanations Leak the Decision Logic: Stealing Graph Neural Networks via Explanation Alignment [9.329315232799814]
  グラフニューラルネットワーク(GNN)は、薬物発見や財務分析などの分野において、グラフ構造化データを解析するための重要なツールとなっている。 説明可能なGNNの最近の進歩は、予測に影響を与える重要な部分グラフを明らかにすることで、このニーズに対処している。 本稿では,そのような説明が,モデル盗難に活用可能な決定論理を漏洩させる可能性について検討する。
  論文  参考訳（メタデータ） (2025-06-03T17:11:05Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• xAI-Drop: Don't Use What You Cannot Explain [23.33477769275026]
  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ための主要なパラダイムとして登場した。 GNNは、一般化の欠如や解釈可能性の低下といった課題に直面している。 トポロジカルレベル降下正則化器であるxAI-Dropを導入する。
  論文  参考訳（メタデータ） (2024-07-29T14:53:45Z)
• Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
  モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。 本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T09:13:11Z)
• Probabilistically Rewired Message-Passing Neural Networks [41.554499944141654]
  メッセージパッシンググラフニューラルネットワーク(MPNN)は、グラフ構造化入力を処理する強力なツールとして登場した。 MPNNは、潜在的なノイズや欠落した情報を無視して、固定された入力グラフ構造で動作する。 確率的に再構成されたMPNN(PR-MPNN)を考案し、より有益なものを省略しながら、関連するエッジを追加することを学習する。
  論文  参考訳（メタデータ） (2023-10-03T15:43:59Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。