論文の概要: Value or Attention: Investigating Layer-wise Relevance Propagation for Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2611.08088v1
• Date: Thu, 05 Nov 2026 14:35:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.539816
• Title: Value or Attention: Investigating Layer-wise Relevance Propagation for Graph Attention Networks
• Title（参考訳）: Value or Attention: グラフアテンションネットワークにおけるレイヤワイズ関連伝搬の調査
• Abstract要約: グラフ注意ネットワーク(GAT)は、科学者がモデルの推論を読む必要がある領域で、ますます使われている。 特定のケースとして現在のアプローチを回復する2つの要因について、フリーウェイトで単一のプロダクトルールを記述します。 ルールの3つの設定の下で、同じノードが負、正、ほぼゼロの関連を受信していることが示される。
• 参考スコア（独自算出の注目度）: 19.749903660588163
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph Attention Networks (GATs) are increasingly used in domains where scientists need to read a model's reasoning, from medicine to materials science, yet the routing they learn remains opaque to most explainers. Layer-wise Relevance Propagation (LRP) follows the model's computation, but in an attention layer the relevance reaching a node is the sum of two mechanically different quantities: its content relevance through the value path and its routing relevance through the attention path. Existing rules either drop one or add them into a single number. We write a single product rule with free weights on the two factors that recovers current approaches as special cases. The value path measures what content a node supplied against a zero baseline; the attention path measures how the node shaped what was passed relative to its neighborhood, and its sign records whether the node's features moved the gating the way the prediction demanded. On a ground-truth classification task, we show that the same node receives negative, positive and near-zero relevance under three settings of the rule. The separated relevance maps yield a hypothesis about the model: it gains by not reading that node. We give reading rules for both paths and argue that they should be interpreted separately.
• Abstract（参考訳）: グラフ注意ネットワーク(GAT)は、医学から材料科学まで、科学者がモデルの推論を読む必要がある領域でますます使われています。 LRP(Layer-wise Relevance Propagation)はモデルの計算に従っているが、注意層ではノードに到達する関連性は2つの機械的に異なる量である。 既存のルールは1つをドロップするか、1つの番号に追加する。 特定のケースとして現在のアプローチを回復する2つの要因について、フリーウェイトで単一のプロダクトルールを記述します。 値パスは、ノードがゼロベースラインに対して供給したコンテンツを測定し、アテンションパスは、ノードがその近傍に対して通過したものをどのように形成したかを測定し、そのサインは、ノードの特徴が予測の要求したようにゲーティングを移動したかどうかを記録する。 基本トラス分類タスクでは, ルールの3つの設定の下で, 同じノードが負, 正, ほぼゼロの関連性を受けることを示す。 分離された関連写像はモデルについての仮説を導き、そのノードを読まないことで得られる。 両経路の読解規則を与え、それぞれを別々に解釈すべきだと論じる。

関連論文リスト

• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• PipeNet: Question Answering with Semantic Pruning over Knowledge Graphs [56.5262495514563]
  本稿では,雑音の多い計算ノードに対して,グラウンドング・プルーニング・レゾニング・パイプラインを提案する。 また,グラフアテンションネットワーク(GAT)をベースとしたサブグラフデータに基づくモジュールを提案する。
  論文  参考訳（メタデータ） (2024-01-31T01:37:33Z)
• Investigating the Interplay between Features and Structures in Graph Learning [6.436174170552484]
  過去には、メッセージパッシング手法のノード分類予測の改善と、ホモフィリィに強く関連していると考えられていた。 最近では、グラフが完全にヘテロ親和性であるが性能が高いノード分類タスクを構築することができるため、そのような二分法は単純すぎると研究者らは指摘した。 本研究は,ノード分類タスクの2つの生成過程を定式化することにより,この強い仮定が成立しない場合に何が起こるかを検討する。
  論文  参考訳（メタデータ） (2023-08-18T14:02:56Z)
• Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
  TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。 TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
  論文  参考訳（メタデータ） (2023-04-11T15:23:29Z)
• Deconfounded Training for Graph Neural Networks [98.06386851685645]
  本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。 具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。 これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-30T15:22:35Z)
• 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)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。