論文の概要: Controllable GNN Explanations via Multi-Metric Preference Selection

• arxiv url: http://arxiv.org/abs/2609.32436v1
• Date: Sat, 26 Sep 2026 10:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 09:11:36.987388
• Title: Controllable GNN Explanations via Multi-Metric Preference Selection
• Title（参考訳）: 多段階選好選択による制御可能なGNN記述
• Abstract要約: 本稿では,GNNのメトリクス間の説明を最適化し,相対的な重み付けを制御対象として提示する手法を提案する。 MUTAG, BA-2Motif, BAMultiShapes, PROTEINSなどの実世界のデータセットを用いた実験により, 本手法は最先端のベースラインよりも高忠実な説明が可能であることが示唆された。 また、対応するドメインの標準モチーフを含む入力モチーフライブラリを用いて、それらのモチーフの相対的重要性を判断する方法についても検討する。
• 参考スコア（独自算出の注目度）: 1.2394048863419334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mechanisms for generating GNN explanations are crucial for building trust and mitigating biases in Graph Neural Networks (GNNs), especially in high-stakes scenarios. Most current methods optimize only for fidelity under the sparsity constraint. However, this discounts the need for interpretable explanations (those that consist of familiar motif patterns) and stable explanations (those that remain unchanged under structural perturbations). We propose a novel approach that optimizes GNN explanations across these metrics, exposing their relative weighing as a control. Experiments on various real-world datasets, including MUTAG, BA-2Motif, BAMultiShapes, and PROTEINS, suggest that our method produces higher-fidelity explanations than a state-of-the-art baseline on MUTAG and PROTEINS across all evaluated budgets, and on BA-2Motif at larger budgets, while being faster in the regime of small explanation budgets. We also explore how, given an input motif library containing standard motifs for the corresponding domain, the method can be used to determine the relative importance of those motifs in generating the explanations, and how this information can be used to further improve the quality of the output explanations. We also examine the relationship between different metrics through their induced tradeoff surface, and explore its dependence on the nature of the motif library.
• Abstract（参考訳）: GNNの説明を生成するメカニズムは、グラフニューラルネットワーク(GNN)の信頼性の構築とバイアス軽減に不可欠である。 現在のほとんどの手法は、スパーシリティ制約の下での忠実さのみを最適化している。 しかし、これは解釈可能な説明(よく知られたモチーフパターンで構成されているもの)と安定した説明(構造的な摂動の下で変化しないもの)の必要性を減じる。 本稿では,これらの指標間のGNN説明を最適化し,相対的な重み付けを制御対象として明らかにする手法を提案する。 MUTAG, BA-2Motif, BAMultiShapes, PROTEINSなどの実世界のデータセットを用いた実験では, MUTAG, PROTEINSのすべての評価予算, BA-2Motifにおいて, MUTAG, BA-2Motifにおいて, より高速で, より高忠実度な説明が可能であることが示唆された。 また、対応するドメインの標準モチーフを含む入力モチーフライブラリを用いて、それらのモチーフの相対的重要性を判断し、その情報を用いて出力説明の質を向上させる方法について検討する。 また, 異なる指標間のトレードオフ面の関係について検討し, モチーフライブラリの性質への依存性について検討する。

関連論文リスト

• AIMing for Standardised Explainability Evaluation in GNNs: A Framework and Case Study on Graph Kernel Networks [7.535219325248995]
  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の処理において大きく進歩しているが、説明可能性を評価するための包括的なフレームワークはいまだに不足している。 AIMは、精度、インスタンスレベルの説明、モデルレベルの説明を計測することで、これらの制限に対処する包括的なフレームワークである。 本稿では,AIMから得られた知見を用いて,改良された説明可能性を示しながら高い精度を維持する更新モデルであるxGKNを開発する方法について述べる。
  論文  参考訳（メタデータ） (2026-05-14T14:28:24Z)
• Graph-Guided Textual Explanation Generation Framework [57.2027753204786]
  自然言語の説明(NLE)は、モデルが予測する理由について、妥当な自由文の説明を提供するために一般的に用いられる。 NLEの忠実度を高めるために設計されたグラフガイド型テキスト記述生成フレームワークであるG-Texを提案する。
  論文  参考訳（メタデータ） (2024-12-16T19:35:55Z)
• Learning with Explanation Constraints [91.23736536228485]
  我々は、説明がモデルの学習をどのように改善するかを分析するための学習理論フレームワークを提供する。 我々は,多数の合成および実世界の実験に対して,我々のアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T15:06:47Z)
• Faithful and Consistent Graph Neural Network Explanations with Rationale Alignment [38.66324833510402]
  インスタンスレベルのGNN説明は、ターゲットのGNNが予測に頼っているノードやエッジなどの重要な入力要素を発見することを目的としている。 様々なアルゴリズムが提案され、その多くは、元の予測を保存できる最小限のサブグラフを探索することで、このタスクを形式化する。 いくつかの部分グラフは元のグラフと同じもしくは類似した出力をもたらす。 弱いパフォーマンスのGNNを説明するためにそれらを適用することは、これらの問題をさらに増幅する。
  論文  参考訳（メタデータ） (2023-01-07T06:33:35Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• 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)
• Zorro: Valid, Sparse, and Stable Explanations in Graph Neural Networks [6.004582130591279]
  GNNモデルによって生成されたラベル分布と説明との相互情報を最大化する以前の説明生成アプローチが制限的であることがわかった。 具体的には、既存のアプローチでは、予測、スパース、あるいは入力摂動に頑健な説明を強制しない。 そこで本稿では, 忠実度を最適化するための簡単な手順を用いて, 速度歪み理論の原理に基づく新しいアプローチZorroを提案する。
  論文  参考訳（メタデータ） (2021-05-18T15:53:09Z)
• Interpreting and Unifying Graph Neural Networks with An Optimization Framework [47.44773358082203]
  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学習に大きな注目を集めている。 本稿では,異なる伝搬機構と統一最適化問題との驚くほどの関連性を確立する。 提案する統一最適化フレームワークは,いくつかの代表的GNN間の共通性を要約し,柔軟に新しいGNNを設計する新たな機会を開く。
  論文  参考訳（メタデータ） (2021-01-28T08:06:02Z)
• Parameterized Explainer for Graph Neural Network [49.79917262156429]
  グラフニューラルネットワーク(GNN)のためのパラメータ化説明器PGExplainerを提案する。 既存の研究と比較すると、PGExplainerはより優れた一般化能力を持ち、インダクティブな設定で容易に利用することができる。 合成データセットと実生活データセットの両方の実験では、グラフ分類の説明に関するAUCの相対的な改善が24.7%まで高い競争性能を示した。
  論文  参考訳（メタデータ） (2020-11-09T17:15:03Z)

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。