論文の概要: Self-Explainable Multi-Label Graph Neural Network for Correlated Evidence Attribution

• arxiv url: http://arxiv.org/abs/2608.27574v1
• Date: Thu, 27 Aug 2026 18:02:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.111104
• Title: Self-Explainable Multi-Label Graph Neural Network for Correlated Evidence Attribution
• Title（参考訳）: 自己説明可能なマルチラベルグラフニューラルネットワークによる証拠属性の相関
• Abstract要約: 本稿では,SEMGNN(End-to-end Self-Explainable Multi-label graph Neural Network)を提案する。 ポストホック法と異なり、SEMGNNは統合されたフレームワークとトレーニング目標の中で予測器とスパースエッジマスクの説明器を共同で学習する。 SEMGNNは、より忠実でコンパクトなラベル条件の説明を提供しながら、競争力や予測性能の向上を実現している。
• 参考スコア（独自算出の注目度）: 12.903730484759206
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-label graph learning intends to capture the intrinsic complexity of real-world applications, where one sample is often related to multiple groups or consists of multiple objects. To date, a handful of multi-label graph learning methods exist, but none of them integrate training-time interpretation capability. While post-hoc graph explainers have been developed, they do not explicitly model label-dependent evidence sharing in multi-label graph learners, especially when label pairs are weakly or negatively associated. As a result, post-hoc approaches may miss how evidence should be shared or separated across different labels. This paper advances a new end-to-end self-explainable multi-label graph neural network (SEMGNN), which aims to simultaneously classify multi-labeled nodes and identify edges significantly contributing to each target node w.r.t. predicted labels. Different from post-hoc methods, SEMGNN jointly learns a predictor and a sparse edge-mask explainer within a unified framework and training objective. Label-label correlations are used to improve multi-label node classification and enhance individual label explanations, so that different labels of a node can be supported by distinct yet coherent structural and/or correlated evidence. Experiments and comparisons on synthetic and real-world multi-label networks, in social networking, entertainment, and life sciences, show that SEMGNN achieves competitive or improved predictive performance while providing more faithful and compact label-conditioned explanations.
• Abstract（参考訳）: マルチラベルグラフ学習は、実世界のアプリケーションの本質的な複雑さを捉えることを目的としている。 現在までに、少数のマルチラベルグラフ学習方法が存在するが、いずれも訓練時解釈機能を統合するものではない。 ポストホックグラフの説明器は開発されているが、ラベルに依存した証拠を多ラベルグラフ学習者(特にラベルペアが弱いか負の関係にある場合)に明示的にモデル化するものではない。 その結果、ポストホックなアプローチでは、エビデンスをどのように共有するか、異なるラベル間で分離すべきかを見逃す可能性がある。 本稿では、複数ラベル付きノードを同時に分類し、各ノードw.r.t.予測ラベルに大きく寄与するエッジを特定することを目的とした、新しいエンドツーエンドの多ラベルグラフニューラルネットワーク(SEMGNN)を提案する。 ポストホック法と異なり、SEMGNNは統合されたフレームワークとトレーニング目標の中で予測器とスパースエッジマスクの説明器を共同で学習する。 ラベルとラベルの相関関係は、マルチラベルノードの分類を改善し、個々のラベル説明を強化するために使用され、ノードの異なるラベルは、異なるが一貫性のある構造的および/または相関的な証拠によって支持される。 ソーシャルネットワーキング、エンターテイメント、ライフサイエンスにおける合成および実世界のマルチラベルネットワークの実験と比較は、SEMGNNがより忠実でコンパクトなラベル条件の説明を提供しながら、競争力や改善された予測性能を達成することを示している。

関連論文リスト

• Multi-Label Node Classification with Label Influence Propagation [79.38415948442751]
  グラフ上のマルチラベルノード分類(MLNC)に取り組むことで、様々なアプローチが開発されている。 グラフニューラルネットワーク(GNN)を利用してラベルの共起相関を利用する方法もあるが、ラベルの埋め込みを組み込んでラベルの近接を捉える方法もある。 我々は,GNNにおけるメッセージパッシングプロセスを,伝搬と変換の2つの操作に分解する。 次に,各操作におけるラベル間の影響相関の包括的分析と定量化を行う。
  論文  参考訳（メタデータ） (2026-07-01T09:17:28Z)
• Correlation-Aware Graph Convolutional Networks for Multi-Label Node Classification [32.4968073593255]
  マルチラベルノード分類のための相関対応グラフ畳み込みネットワーク(CorGCN)を提案する。 CorGCNは新しい相関対応グラフ分解モジュールを導入することで、ラベルごとにリッチなラベル関連情報を含むグラフを学習できる。
  論文  参考訳（メタデータ） (2024-11-26T11:52:47Z)
• A data-centric approach for assessing progress of Graph Neural Networks [7.2249434861826325]
  グラフニューラルネットワーク(GNN)はノード分類タスクにおいて最先端の結果を得た。 主な改善点はマルチクラスの分類であり、各ノードが複数のラベルを持つ場合に焦点を当てない。 マルチラベルノード分類を研究する上での第一の課題は、公開データセットの不足である。
  論文  参考訳（メタデータ） (2024-06-18T09:41:40Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Multi-label Node Classification On Graph-Structured Data [7.892731722253387]
  グラフニューラルネットワーク(GNN)では、グラフ上のノード分類タスクの最先端の改善が示されている。 それぞれのノードが複数のラベルを持つことができる、より一般的で現実的なシナリオは、これまでほとんど注目されなかった。 実世界の3つの生物データセットを収集・リリースし、マルチラベルグラフ生成器を開発する。
  論文  参考訳（メタデータ） (2023-04-20T15:34:20Z)
• Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
  複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。 提案手法は3つのデータセット上で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-03-08T12:39:05Z)
• Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
  クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。 群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-25T10:12:37Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)
• Multi-Label Graph Convolutional Network Representation Learning [20.059242373860013]
  マルチラベルネットワークのためのノード表現学習のための新しいマルチラベルグラフ畳み込みネットワーク(ML-GCN)を提案する。 2つのGCNはそれぞれノードとラベルの表現学習の1つの側面を扱い、1つの目的関数の下でシームレスに統合される。
  論文  参考訳（メタデータ） (2019-12-26T02:52:47Z)

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。