論文の概要: A Comparative Study of Counterfactual Explainers for Graph Neural Networks Enabling Multiple Types of Graph Edit
- arxiv url: http://arxiv.org/abs/2609.05113v1
- Date: Fri, 04 Sep 2026 13:07:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.051002
- Title: A Comparative Study of Counterfactual Explainers for Graph Neural Networks Enabling Multiple Types of Graph Edit
- Title（参考訳）: 複数種類のグラフ編集を実現するグラフニューラルネットワークにおける実測値の比較検討
- Abstract要約: グラフ構造化データに対する対実的説明は、モデル予測を事前定義された出力に変更するために入力グラフで必要となる最小限かつ現実的な修正を決定しようとする。
本研究は,実世界および合成データセットの多種多様なセットにおける6つの最先端(SOTA)モデルを比較した。
- 参考スコア（独自算出の注目度）: 3.329876688618881
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Counterfactual explanations for graph-structured data seek to determine minimal and realistic modifications required in an input graph to alter a model's prediction to a predefined output. Although counterfactual explainers that support modifying the graph by both adding and removing edges have recently emerged, there is still a lack of general and efficient methods, especially when considering the quality of the generated explanations. Moreover, the problem remains far from solved, as existing methods exhibit different strengths and weaknesses, often trading off between explanation size, coverage and quality. For this reason, it is important to identify where each method performs well and where it falls short, so as to guide future research in the field. Thus, our study compares six state-of-the-art (SOTA) models on a diverse set of real-world and synthetic datasets, covering both binary and multi-class graph and node classification tasks, and evaluates their performance using diverse quantitative and qualitative metrics.
- Abstract（参考訳）: グラフ構造化データに対する対実的説明は、モデル予測を事前定義された出力に変更するために入力グラフで必要となる最小限かつ現実的な修正を決定しようとする。
エッジの追加と削除の両方でグラフの変更をサポートする反ファクト的説明器が最近登場したが、特に生成された説明の品質を考慮すると、汎用的で効率的な方法がまだ存在しない。
さらに、既存の手法では様々な長所と短所が示されており、説明のサイズ、カバレッジ、品質のトレードオフがしばしばあるため、この問題は解決には程遠い。
そのため,各手法がどの地点で,どの地点で,どの地点でうまく機能しているかを把握し,今後の研究を導くことが重要である。
そこで本研究では,2進グラフおよび多進グラフおよびノード分類タスクを対象とし,実世界および合成データセットの6つのモデルを比較し,その性能を定量的・定性的な指標を用いて評価した。
関連論文リスト
- Topology-induced Operators Reveal Complementary Graph Representations without Training [12.341482953564105]
複雑なモデル設計や勾配に基づく訓練を行うことなく,情報埋め込みを導出できることを示す。
ランダムウォークと匿名ウォークによって誘導される暗黙の階層構造によるランダムな特徴の伝播は、ノード近接と構造的役割をキャプチャする埋め込みをもたらす。
論文 参考訳（メタデータ） (2026-09-08T02:37:41Z) - A Completion-Aware Framework for Impactful Counterfactual Explainability in Graph Neural Networks [3.329876688618881]
我々は,グラフニューラルネットワーク(GNN)における汎用的,モデルに依存しない,局所レベルの対実的説明可能性のための新しいパイプラインを提案する。
提案手法は,リンク予測研究に根ざしたエッジ予測モデルと現実的説明可能性とを結合する。
論文 参考訳（メタデータ） (2026-06-20T13:13:02Z) - Rethinking Graph-Based Document Classification: Learning Data-Driven Structures Beyond Heuristic Approaches [21.922739597512955]
本稿では,データ駆動型グラフ構造を学習し,手動設計の必要性を排除し,ドメイン依存を減らす手法を提案する。
提案手法は,文の重み付きグラフをノードとして構築し,エッジは文ペア間の依存関係を識別する自己認識モデルを用いて学習する。
論文 参考訳（メタデータ） (2025-07-18T12:05:54Z) - A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。
具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。
文献をよりよく理解するために,既存の手法をモデル中心およびデータ中心のアプローチに分類する系統分類を導入した。
論文 参考訳（メタデータ） (2024-10-25T02:39:56Z) - A Causal Disentangled Multi-Granularity Graph Classification Method [18.15154299104419]
いくつかのグラフ分類法は、グラフデータの多重粒度特性を結合しない。
本稿では,この課題を解決するために,因果不整合多粒性グラフ表現学習法(CDM-GNN)を提案する。
このモデルは強力な分類性能を示し、人間の認知パターンに沿った説明結果を生成する。
論文 参考訳（メタデータ） (2023-10-25T00:20:50Z) - Evaluating Robustness and Uncertainty of Graph Models Under Structural
Distributional Shifts [43.40315460712298]
グラフ学習におけるノードレベルの問題では、分散シフトは特に複雑である。
本稿では,グラフ構造に基づく分布変化の一般化手法を提案する。
単純なモデルは、考慮された構造的シフトにおいて、より洗練された手法よりも優れていることがよく示される。
論文 参考訳（メタデータ） (2023-02-27T15:25:21Z) - CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
グラフ上での対実的説明生成の問題について検討する。
グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。
本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
論文 参考訳（メタデータ） (2022-10-16T04:35:32Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - ExplaGraphs: An Explanation Graph Generation Task for Structured
Commonsense Reasoning [65.15423587105472]
スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。
具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。
グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
論文 参考訳（メタデータ） (2021-04-15T17:51:36Z) - Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。
本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。
提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文 参考訳（メタデータ） (2021-02-14T05:28:13Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z) - Out-of-Sample Representation Learning for Multi-Relational Graphs [8.956321788625894]
非分散知識グラフに対するアウトオブサンプル表現学習問題について検討する。
このタスクのためのベンチマークデータセットを作成し、いくつかのモデルとベースラインを開発し、提案したモデルとベースラインの実証分析と比較を提供する。
論文 参考訳（メタデータ） (2020-04-28T00:53:01Z)
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。