論文の概要: Beyond Trained Models: Compiling GNNs for a Sound Explainer Benchmark

• arxiv url: http://arxiv.org/abs/2610.03526v1
• Date: Fri, 02 Oct 2026 16:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.474145
• Title: Beyond Trained Models: Compiling GNNs for a Sound Explainer Benchmark
• Title（参考訳）: トレーニングモデルを超えて - Sound ExplainerベンチマークのためにGNNをコンパイルする
• Abstract要約: 本稿では,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$mathsfGracrmathsfBench$を紹介する。 $mathsfGracrmathsfBench$は、グラフポストホック説明可能性のための厳密な評価設定である。
• 参考スコア（独自算出の注目度）: 23.88885473672853
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Explainers for Graph Neural Networks (GNNs) are commonly evaluated by their plausibility, i.e., how well their explanations recover a predefined ground truth, such as a motif planted in the data. This protocol implicitly assumes that a GNN trained on such data relies on the intended motif. Although prior work has questioned this assumption, plausibility remains widespread. First, we show that the assumption is violated on several widely used benchmarks, where, e.g., degree statistics alone suffice to solve the task. Then, we remove this confounder by replacing training with compilation. We achieve this by introducing $\mathsf{Gracr}$, the first compiler translating graded modal logic formulas into GNN weights, yielding models that replicate the behaviour of the corresponding formulas. Since the behaviour of the model is now known by construction, we can define its ground truth explanation formally and compute it exactly. Building on this, we introduce $\mathsf{Gracr}\mathsf{Bench}$, a benchmark of compiled GNNs for the evaluation of explainers against this exact ground truth. Experiments on eleven explainers across six tasks show its effectiveness for fine-grained diagnostic evaluation: notably, we discover that most explainers are not robust to indirect influences or alternative implementations of the same formula. These results position $\mathsf{Gracr}\mathsf{Bench}$ as a novel, rigorous evaluation setting for graph post-hoc explainability.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の説明者は、その妥当性、すなわち、データに植えられたモチーフのような、事前に定義された真実をいかにうまく回復するかによって、一般的に評価される。 このプロトコルは、そのようなデータに基づいて訓練されたGNNが意図したモチーフに依存することを暗黙的に仮定する。 以前の研究でこの仮定に疑問が持たれているが、その可能性はまだ広く残っている。 まず、この仮定は、例えば、等級統計だけでタスクを解くのに十分であるような、広く使われているいくつかのベンチマークに違反していることを示す。 そして、トレーニングをコンパイルに置き換えることで、この共同創設者を排除します。 次数付きモーダル論理式をGNN重みに変換する最初のコンパイラである$\mathsf{Gracr}$を導入し、対応する公式の振る舞いを再現するモデルを生成する。 現在、モデルの振る舞いは構築によって知られているので、その基礎的真理の説明を正式に定義し、正確に計算することができる。 これに基づいて、この正確な真実に対する説明者の評価のために、コンパイルされたGNNのベンチマークである$\mathsf{Gracr}\mathsf{Bench}$を導入する。 6つのタスクにまたがる11の説明書を用いた実験では,詳細な診断評価の有効性が示され,特に,ほとんどの説明書は間接的な影響や,同じ公式の代替的な実装に対して堅牢ではないことが判明した。 これらの結果は、グラフポストホック説明可能性に対する厳密な評価設定として $\mathsf{Gracr}\mathsf{Bench}$ を位置づけている。

関連論文リスト

• Towards Faithful Class-level Self-explainability in Graph Neural Networks by Subgraph Dependencies [38.551080206570965]
  最近の研究は、トレーニングの一部として説明を生成するグラフニューラルネットワーク(GNN)を導入している。 ProGNNやPGIBのようないくつかのモデルは、クラス固有のプロトタイプへの道筋を提供する。 本稿では,クラスレベルの説明を学習し,一般化する,自己説明可能なGNNを提案する。
  論文  参考訳（メタデータ） (2025-08-15T14:44:11Z)
• Explainable Graph Neural Networks Under Fire [69.15708723429307]
  グラフニューラルネットワーク(GNN)は通常、複雑な計算挙動とグラフの抽象的性質のために解釈性に欠ける。 ほとんどのGNN説明法は、ポストホックな方法で動作し、重要なエッジと/またはノードの小さなサブセットの形で説明を提供する。 本稿では,これらの説明が信頼できないことを実証する。GNNの一般的な説明手法は,敵対的摂動に強い影響を受けやすいことが判明した。
  論文  参考訳（メタデータ） (2024-06-10T16:09:16Z)
• On Consistency in Graph Neural Network Interpretation [34.25952902469481]
  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ているが、その多くは最小の部分グラフを探索することによってこのタスクを定式化している。 埋め込みの整列による簡易かつ効果的な対策を提案する。
  論文  参考訳（メタデータ） (2022-05-27T02:58:07Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• 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)
• Generative Causal Explanations for Graph Neural Networks [39.60333255875979]
  Gemは、さまざまなグラフ学習タスクで任意のGNNに対して解釈可能な説明を提供するモデルに依存しないアプローチです。 説明精度の相対的な向上を最大30%$で達成し、その最先端の代替品と比較して、説明プロセスを最大$ 10times $でスピードアップします。
  論文  参考訳（メタデータ） (2021-04-14T06:22:21Z)
• 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。