論文の概要: MPGE: A Multi-Perspective Graph Explainer for Molecular Classification Explanation

• arxiv url: http://arxiv.org/abs/2610.12039v1
• Date: Thu, 08 Oct 2026 14:28:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.077767
• Title: MPGE: A Multi-Perspective Graph Explainer for Molecular Classification Explanation
• Title（参考訳）: MPGE: 分子分類記述のためのマルチパースペクティブグラフ説明器
• Abstract要約: グラフニューラルネットワーク(GNN)は化学グラフデータから分子特性を予測するが、予測精度はグラフ情報がどのように個々の決定をサポートするかを説明するものではない。 本稿では,Multi-Perspective Graph Explainer (MPGE)を提案する。 MUTAG, 変異原性, AIDS, COX2_MD, BBBPのGCN実装について, セマンティックカバレッジ, 条件品質, 安定性, ランタイムを用いて検討した。
• 参考スコア（独自算出の注目度）: 1.6921396880325779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) predict molecular properties from chemical graph data, but predictive accuracy does not explain how graph information supports an individual decision. A compact prediction-preserving rationale does not necessarily reveal which changes reverse the decision or which modifications the model tolerates. We propose the Multi-Perspective Graph Explainer (MPGE), unifying factual support, counterfactual sensitivity, and exemplar tolerance for a frozen classifier. The factual view, originally termed prototype (PT), seeks a compact retained edge set with the same label and required confidence. Counterfactual (CF) explanations seek bounded prediction-changing deletions; exemplar (EXE) explanations seek non-trivial bounded deletions that preserve the label and confidence. A shared constrained formulation connects prediction behavior, compactness, and edit cost, while separate objectives generate the three views. Our graph-classification extension of CF-GNNExplainer learns symmetric edge rankings and verifies discrete candidates, recording unsuccessful searches. A separate BBBP fragment backend returns RDKit-sanitized molecules. We evaluate the primary GCN implementation on MUTAG, Mutagenicity, AIDS, COX2_MD, and BBBP using semantic coverage, conditional quality, stability, and runtime. Successful factual masks retained 8.6%--15.5% of input edges on average across datasets; bounded counterfactual coverage was 4.8%--67.6%, and exemplar preservation coverage was 98.9%--100.0%. Exploratory controls reveal the influence of hard projection and retained node information. Quantitative comparisons and molecular visualizations characterize model support, sensitivity, and tolerance without treating them as validated chemical mechanisms.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は化学グラフデータから分子特性を予測するが、予測精度はグラフ情報がどのように個々の決定をサポートするかを説明するものではない。 コンパクトな予測保存論理は、どの変更が決定を逆転するか、どの修正が許容するかを必ずしも明らかにしない。 本稿では,Multi-Perspective Graph Explainer (MPGE)を提案する。 当初プロトタイプ (PT) と呼ばれていた事実的見解は、同じラベルを持つコンパクトな保持エッジセットを求めており、信頼性を必要としている。 対実的(CF)説明は有界な予測変化の削除を求める; 例的(EXE)説明はラベルと信頼を保持する非自明な有界な削除を求める。 共有制約の定式化は、予測行動、コンパクト性、編集コストを結合し、別々の目的が3つのビューを生成する。 CF-GNNExplainerのグラフ分類拡張では、対称なエッジランキングを学習し、個別の候補を検証し、検索に失敗する。 別個のBBBPフラグメントバックエンドはRDKitのサニタイズされた分子を返す。 MUTAG, 変異原性, AIDS, COX2_MD, BBBPのGCN実装について, セマンティックカバレッジ, 条件品質, 安定性, ランタイムを用いて検討した。 実際のマスクは、データセットの平均入力エッジの8.6%から15.5%を保持し、バウンド・デファクト・カバーは4.8%から67.6%、典型的な保存カバーは98.9%から100.0%であった。 探索制御は、ハードプロジェクションと保持ノード情報の影響を明らかにする。 定量的比較と分子可視化は、モデル支持、感度、耐性を化学的メカニズムとして扱うことなく特徴付ける。

関連論文リスト

• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• Stochastic Semantic Evidence Graphs: Uncertainty Propagation and Governance for Agentic AI [0.0]
  本稿では,言語ノードが自己回帰トークンサブグラフに拡張する階層型DAGを提案する。 出所証明のために、このグラフは不確実なクレーム-パス関係を保持し、鋭いフレシェ境界を伝播する。 コントロールされた実験では、5000のケースで認証違反は発生せず、クロスRAGとライブブレーブ-検索実験は、検索、プレゼンテーション、ソース、インタラクション効果を分離する。
  論文  参考訳（メタデータ） (2026-09-03T22:16:23Z)
• CoMPASS: Collaborative Molecular Property Prediction via Adaptive Small-Large Model Synergy [8.012730274764019]
  正確な分子特性予測には、統計的信頼性と化学的推論の両方が必要である。 CoMPASSは、小型モデルコラボレーションのための検索校正フレームワークである。 その結果, 生成的推論は, 根拠的, 制御された補正によって, 校正予測を増強すべきであることが示唆された。
  論文  参考訳（メタデータ） (2026-08-31T12:14:01Z)
• Faithful, Sufficient and Understandable: Rethinking Graph Counterfactual Explanations via Discrete Diffusion Inversion [0.8594140167290097]
  グラフニューラルネットワーク(GNN)は、化学、生物学、ネットワーク分析といった分野にわたるグラフ構造化データに対して、強い予測性能を達成する。 それらの予測に関する本質的な説明は提供されていない。 否定的な説明は、モデルの予測を変える最小限の構造的な変更を明らかにすることで、この問題に対処する。 Inversion (GDCE-I) を用いたグラフ拡散対実説明法を提案する。
  論文  参考訳（メタデータ） (2026-08-12T14:04:49Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  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に基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)

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。