論文の概要: GNN-VIEW: Visual Inspection and Explanation of Graph-based Earth-System Models

• arxiv url: http://arxiv.org/abs/2610.35693v1
• Date: Mon, 26 Oct 2026 16:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.069688
• Title: GNN-VIEW: Visual Inspection and Explanation of Graph-based Earth-System Models
• Title（参考訳）: GNN-VIEW:グラフに基づく地球系モデルの視覚検査と説明
• Abstract要約: GNN-VIEWは,機械学習アースシステムモデルの開発を支援する対話型ブラウザベースのツールである。 GNN-VIEWはグラフの情報経路を公開することで、モデル開発者がトレーニング前にグラフ構造をデバッグすることができる。 トレーニング後、GNN-VIEWは属性ベースの説明可能性を使用して、トレーニングされたモデルで与えられた予測にどの入力特徴が使用されるかを明らかにする。
• 参考スコア（独自算出の注目度）: 66.63352897171673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning Earth-system models are becoming increasingly important, and so is their development. Graph-based models, one of the most prominent approaches, allow developers to constrain the learning process before training via graph connectivity. Yet, developing these models remains challenging: the graph is built algorithmically with little intuition about the final result beyond static plotting, which requires extra work and is often not detailed enough. Even after successful training, how the model arrives at forecasts remains obscure. We present GNN-VIEW, an interactive browser-based tool that supports the development of such systems. GNN-VIEW exposes the graph's information pathways, allowing model developers to debug the graph structure before training. After training, GNN-VIEW uses attribution-based explainability to reveal which input features are used by the trained model for a given forecast. This helps developers understand why a model fails. We showcase the usefulness of GNN-VIEW in the construction stage of a graph for an ocean forecasting model, and in explaining poorly predicted precipitation of a trained weather forecasting model during Hurricane Laura.
• Abstract（参考訳）: 機械学習 地球システムモデルはますます重要になりつつある。 グラフベースのモデルは、最も顕著なアプローチのひとつで、開発者はグラフ接続によるトレーニング前に学習プロセスを制限できる。 グラフは静的プロットを超えて最終的な結果についてほとんど直感なくアルゴリズムで構築されているため、余分な作業が必要で、詳細は十分ではないことが多い。 トレーニングが成功した後も、モデルが予測にどのように到着するかは明確ではない。 本稿では,そのようなシステムの開発を支援する対話型ブラウザベースのツールであるGNN-VIEWを紹介する。 GNN-VIEWはグラフの情報経路を公開することで、モデル開発者がトレーニング前にグラフ構造をデバッグすることができる。 トレーニング後、GNN-VIEWは属性ベースの説明可能性を使用して、トレーニングされたモデルで与えられた予測にどの入力特徴が使用されるかを明らかにする。 これは、開発者がなぜモデルが失敗するのかを理解するのに役立つ。 本稿では, 海洋予測モデルの構築段階におけるGNN-VIEWの有用性と, ハリケーン・ローラにおける気象予測モデルの降水予測が不十分であることを示す。

関連論文リスト

• Graph Prompting for Graph Learning Models: Recent Advances and Future Directions [75.7773954442738]
  「事前学習・適応」スキームは、まずラベルなしグラフデータに基づくグラフ学習モデルを自己教師型で事前訓練する。 グラフプロンプトは、トレーニング可能なプロンプトを学習し、事前トレーニングされたグラフ学習モデルを変更しない、有望なアプローチとして出現する。
  論文  参考訳（メタデータ） (2025-06-10T01:27:19Z)
• Stealing Training Graphs from Graph Neural Networks [54.52392250297907]
  グラフニューラルネットワーク(GNN)は、様々なタスクにおけるグラフのモデリングにおいて有望な結果を示している。 ニューラルネットワークがトレーニングサンプルを記憶できるため、GNNのモデルパラメータはプライベートトレーニングデータをリークするリスクが高い。 訓練されたGNNからグラフを盗むという新しい問題について検討する。
  論文  参考訳（メタデータ） (2024-11-17T23:15:36Z)
• Do graph neural network states contain graph properties? [5.222978725954348]
  診断分類器を用いたグラフニューラルネットワーク(GNN)のモデル説明可能性パイプラインを提案する。 このパイプラインは、さまざまなアーキテクチャやデータセットにわたるGNNの学習した表現を探索し、解釈することを目的としている。
  論文  参考訳（メタデータ） (2024-11-04T15:26:07Z)
• 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)
• Graph-enabled Reinforcement Learning for Time Series Forecasting with Adaptive Intelligence [11.249626785206003]
  グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。 GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。 このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-18T22:25:12Z)
• Sparsity exploitation via discovering graphical models in multi-variate time-series forecasting [1.2762298148425795]
  本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。 まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。 次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-06-29T16:48:00Z)
• Globally Interpretable Graph Learning via Distribution Matching [12.885580925389352]
  我々は、まだ十分に研究されていない重要な質問に答えることを目指している。グラフ学習手順のグローバルな解釈を提供するには、どうすればよいのか? 我々は,この問題を,学習過程を支配する高レベルかつ人間の知能なパターンを蒸留することを目的とした,グローバルな解釈可能なグラフ学習として定式化する。 本稿では,解釈に基づいて学習したモデルの忠実度を評価するために,新しいモデル忠実度尺度を提案する。
  論文  参考訳（メタデータ） (2023-06-18T00:50:36Z)
• The World as a Graph: Improving El Ni\~no Forecasts with Graph Neural Networks [0.00916150060695978]
  季節予測へのグラフニューラルネットワークの最初の応用を提案する。 当社のモデルであるGraphinoは、最先端のディープラーニングベースのモデルで最大6ヶ月の予測を上回ります。
  論文  参考訳（メタデータ） (2021-04-11T19:55:55Z)
• XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
  グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。 我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
  論文  参考訳（メタデータ） (2020-06-03T23:52:43Z)

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。