論文の概要: Graph Additive Models disentangling feature, topology, and interactions

• arxiv url: http://arxiv.org/abs/2610.20662v1
• Date: Wed, 14 Oct 2026 07:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.973155
• Title: Graph Additive Models disentangling feature, topology, and interactions
• Title（参考訳）: グラフ付加モデルの特徴, トポロジ, 相互作用
• Abstract要約: Graph Neural Additive Networks (GNANs) は、グラフ学習に有効な、解釈可能なアーキテクチャとして登場した。 AMIGAを導入し、各ノードのコントリビューションを3つの付加的なチャネル(特徴、構造、特徴-構造相互作用)に分解する。 AMIGAは、ほとんどのデータセットでGNANを上回っ、標準のブラックボックスGNNとのギャップを狭める。
• 参考スコア（独自算出の注目度）: 17.334658035899846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Additive Networks (GNANs) have emerged as effective, interpretable-by-design architectures for graph learning. They achieve transparency by combining per-feature shape functions with simple distance-based reweighting. However, GNANs have three limitations. First, node-wise relevance scores aggregate information from all graph nodes, allowing irrelevant nodes to inherit spurious relevance from relevant ones. Second, topology is represented only through shortest-path distances, so structurally distinct graphs may share identical distance profiles. Third, feature and distance information are combined multiplicatively, entangling feature, distance, and interaction effects in a single rescalable term. We introduce AMIGA, which represents topology through a vocabulary of mined motifs and decomposes each node contribution into three additive channels: feature, structure, and feature-structure interaction. The channels are centered around a graph-balanced training baseline, making the decomposition well-defined and unique under the chosen reference distribution. Across ten graph classification and regression benchmarks, AMIGA outperforms GNAN on most datasets and narrows the gap with standard black-box GNNs. Because each channel is centered and assigned to a single node, AMIGA produces node-local explanations that reconstruct the model output exactly and support interpretation at multiple levels of granularity.
• Abstract（参考訳）: Graph Neural Additive Networks (GNANs) は、グラフ学習に有効な、解釈可能なアーキテクチャとして登場した。 特徴ごとの形状関数と単純な距離ベース再重み付けを組み合わせることで透明性を実現する。 しかし、GNANには3つの制限がある。 まず、ノード関連性はすべてのグラフノードから集約された情報をスコアし、無関係なノードが関連するノードから急激な関連性を引き継ぐことを可能にする。 第二に、位相は最短パス距離でのみ表されるので、構造的に異なるグラフは同一距離プロファイルを共有することができる。 第3に、特徴情報と距離情報を乗算して、単一の再スケーリング可能な項における絡み合う特徴、距離、相互作用効果を合成する。 マイニングモチーフの語彙を通してトポロジを表現するAMIGAを導入し,各ノードの寄与を3つの付加チャネル(特徴,構造,特徴-構造相互作用)に分解する。 チャネルは、グラフバランスのトレーニングベースラインを中心に構築されており、選択された基準分布の下で、分解を適切に定義し、ユニークなものにしている。 10のグラフ分類と回帰ベンチマークで、AMIGAはほとんどのデータセットでGNANを上回っ、標準のブラックボックスGNNとのギャップを狭める。 各チャネルは1つのノードに集中して割り当てられているため、AMIGAはモデル出力を正確に再構築し、複数のレベルの粒度で解釈をサポートするノードローカルな説明を生成する。

関連論文リスト

• Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
  グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。 まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。 そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
  論文  参考訳（メタデータ） (2024-01-01T13:44:16Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Break the Wall Between Homophily and Heterophily for Graph Representation Learning [25.445073413243925]
  ホモフィリーとヘテロフィリーは、2つの連結ノードが同様の性質を持つかどうかを記述するグラフの固有の性質である。 本研究は, グラフ表現学習に不可欠なエゴノード特徴, 集約ノード特徴, グラフ構造特徴を含む3つのグラフ特徴を同定する。 OGNNと呼ばれる新しいGNNモデルを提案し、3つのグラフの特徴を全て抽出し、それらを適応的に融合させ、ホモフィリーのスペクトル全体にわたって一般化する。
  論文  参考訳（メタデータ） (2022-10-08T19:37:03Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)

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。