論文の概要: WOMBAT: Whitebox Oracle for Molecular Benchmarking and Attribution Testing

• arxiv url: http://arxiv.org/abs/2610.00713v1
• Date: Wed, 30 Sep 2026 21:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.766351
• Title: WOMBAT: Whitebox Oracle for Molecular Benchmarking and Attribution Testing
• Title（参考訳）: WOMBAT: 分子ベンチマークと属性テストのためのWhitebox Oracle
• Abstract要約: 14個のホワイトボックスグラフニューラルネットワーク(GNN)のベンチマークであるWOMBATを紹介する。 それぞれのモデルの決定ルールは構築によって知られており、説明者の誤りを識別し研究できる帰属的根拠の真実を提供する。 GNNExplainer,PGExplainer,Integrated Gradientsなど,数百万のPubChem分子上でのモデルの有効性を評価した。
• 参考スコア（独自算出の注目度）: 4.535998690397402
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: When a graph neural network (GNN) explainer produces an unexpected attribution on a molecule, the attribution alone cannot reveal whether the explainer has failed or the model has learned a shortcut. We introduce WOMBAT, a benchmark of 14 whitebox GNNs, each with message-passing weights set by hand to detect a specific SMARTS motif. Each model's decision rule is known by construction, providing attribution ground truth against which explainer errors can be identified and studied. We validate the models on millions of PubChem molecules and evaluate post-hoc explainers including GNNExplainer, PGExplainer, and Integrated Gradients. Guided by our qualitative analysis, we construct a model that causes Integrated Gradients to spread attribution across the graph, even though the model reliably detects the intended motif. We release the dataset, models, and evaluation code to help researchers in the development of newer XAI tools for GNNs.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の説明者が分子への予期せぬ帰属を発生させるとき、帰属のみは、説明者が失敗したか、モデルがショートカットを学んだかを明らかにすることができない。 WOMBATは14個のWhitebox GNNのベンチマークで、それぞれが手動でメッセージパッシング重みを設定し、特定のSMARTSモチーフを検出する。 それぞれのモデルの決定ルールは構築によって知られており、説明者の誤りを識別し研究できる帰属的根拠の真実を提供する。 GNNExplainer,PGExplainer,Integrated Gradientsなど,数百万のPubChem分子上でのモデルの有効性を評価した。 定性解析によって導かれたモデルでは,モデルが意図したモチーフを確実に検出したとしても,積分グラディエントをグラフ全体に分散させるモデルを構築している。 我々は、GNNのための新しいXAIツールの開発を支援するために、データセット、モデル、評価コードをリリースする。

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)
• Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
  グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。 本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。 本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T16:00:44Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• XInsight: Revealing Model Insights for GNNs with Flow-based Explanations [0.0]
  薬物発見のような多くの高度な応用は、モデルから人間には理解できない説明を必要とする。 我々は,GFlowNetsを用いてモデル説明の分布を生成する,XInsightと呼ばれるGNNのための説明可能性アルゴリズムを提案する。 QSAR モデルを用いて生成した化合物を解析し,XInsight の説明の有用性を示す。
  論文  参考訳（メタデータ） (2023-06-07T21:25:32Z)
• Interpreting GNN-based IDS Detections Using Provenance Graph Structural Features [15.522099372465695]
  グラフネットワーク(GNN)ベースのセキュリティソリューションは、セキュリティクリティカルなタスクのためにシステムグラフをダイジェストする。 本稿では、PROVEXPLAINERが現在の最先端(SOTA)GNN説明器と相乗してドメインとインスタンス固有の説明を提供する方法を示す。
  論文  参考訳（メタデータ） (2023-06-01T17:36:24Z)
• 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 neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• A Meta-Learning Approach for Training Explainable Graph Neural Networks [10.11960004698409]
  本稿では,GNNの学習時間における説明可能性向上のためのメタラーニングフレームワークを提案する。 我々のフレームワークは、例えばノード分類などの元のタスクを解決するためにモデルを共同で訓練し、下流アルゴリズムで容易に処理可能な出力を提供する。 我々のモデルに依存しないアプローチは、異なるGNNアーキテクチャで生成された説明を改善し、このプロセスを駆動するためにインスタンスベースの説明器を使用することができます。
  論文  参考訳（メタデータ） (2021-09-20T11:09:10Z)
• Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
  グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。 本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。 モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
  論文  参考訳（メタデータ） (2020-10-01T17:51:19Z)

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。