論文の概要: DGPExplainer: Generating Prototype Sequence Explanations for Dynamic Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2611.15224v1
- Date: Wed, 11 Nov 2026 09:17:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.089795
- Title: DGPExplainer: Generating Prototype Sequence Explanations for Dynamic Graph Neural Networks
- Title(参考訳): DGPExplainer:動的グラフニューラルネットワークのためのプロトタイプシーケンス記述の生成
- Abstract要約: 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からの学習に成功している。
ノードとエッジが時間とともに進化する動的なグラフにそれらを適用することは、特に説明可能性に関する重要な課題を表している。
DGPExplainerは、DGNNモデル用に特別に設計された、ポストホックなプロトタイプベースの説明器である。
- 参考スコア(独自算出の注目度): 0.4129225533930965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have been successfully applied to learning from graph-structured data. However, applying them to dynamic graphs-where nodes and edges evolve over time-presents significant challenges, particularly regarding explainability. While explanation techniques for static GNNs are well established, they do not readily extend to dynamic GNNs (DGNNs) due to the added complexity introduced by temporal dynamics and spatiotemporal dependencies, especially when generating model-level explanations. To address this gap, we introduce DGPExplainer, a post-hoc, prototype-based explainer specifically designed for DGNN models that transforms their complex decision-making processes into human-understandable, analogical, case-based explanations. DGPExplainer first employs local explanation methods to identify important elements within temporal snapshots of dynamic graph sequences. It then decomposes the graph at each time step into distinct prototypes, thereby symbolizing the dynamic graph sequence. Finally, we design a sequence generation method that uses these symbolized sequences to learn and generate class-specific dynamic graph pattern sequences that serve as prototype explanations. Experiments on both synthetic and real-world datasets demonstrate that our method effectively produces prototype-based explanations for DGNN models across multiple classes.
- Abstract(参考訳): 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からの学習に成功している。
しかし、時間とともにノードとエッジが進化する動的なグラフにそれらを適用することは、特に説明可能性に関する重要な課題を表している。
静的GNNの説明手法は確立されているが,特にモデルレベルの説明を生成する場合,時間的ダイナミックスや時空間依存性によってもたらされる複雑さにより,動的GNN(DGNN)に容易に拡張することはできない。
このギャップに対処するため、DGPExplainerは、DGNNモデル用に特別に設計された、ポストホックなプロトタイプベースの説明器で、複雑な意思決定プロセスを人間に理解可能な、類似的なケースベースの説明に変換する。
DGPExplainerはまず、動的グラフシーケンスの時間的スナップショットにおける重要な要素を特定するために、局所的な説明法を用いる。
その後、各ステップでグラフを別々のプロトタイプに分解し、動的グラフ列を象徴する。
最後に、これらのシンボル化されたシーケンスを用いて、プロトタイプ説明として機能するクラス固有の動的グラフパターンシーケンスを学習し、生成するシーケンス生成手法を設計する。
合成と実世界の両方のデータセットに対する実験により,DGNNモデルに対するプロトタイプベースの説明を複数のクラスで効果的に生成できることが実証された。
関連論文リスト
- DyExplainer: Explainable Dynamic Graph Neural Networks [37.16783248212211]
我々は,動的グラフニューラルネットワーク(GNN)を高速に説明するための新しいアプローチであるDyExplainerを提案する。
DyExplainerは動的なGNNバックボーンをトレーニングし、各スナップショットでグラフの表現を抽出する。
また,事前指導型正規化を実現するために,コントラスト学習技術によるアプローチも強化する。
論文 参考訳(メタデータ) (2023-10-25T05:26:33Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳(メタデータ) (2023-05-16T11:38:19Z) - Towards Expressive Spectral-Temporal Graph Neural Networks for Time Series Forecasting [101.5022396668152]
スペクトル時間グラフニューラルネットワークは、ほとんどの時系列予測モデルの基礎となる、有望な抽象化である。
我々は、スペクトル時間GNNの表現力を高める理論的枠組みを確立する。
本研究は,GNNをベースとした時系列モデルにおいて,より広範に表現可能なGNNモデルを考案するための道筋をたどるものである。
論文 参考訳(メタデータ) (2023-05-11T05:56:38Z) - Structural Explanations for Graph Neural Networks using HSIC [21.929646888419914]
グラフニューラルネットワーク(GNN)は、グラフィカルなタスクをエンドツーエンドで処理するニューラルネットワークの一種である。
GNNの複雑なダイナミクスは、グラフの特徴のどの部分が予測に強く寄与しているかを理解するのを困難にしている。
本研究では,グラフ内の重要な構造を検出するために,フレキシブルモデルに依存しない説明法を提案する。
論文 参考訳(メタデータ) (2023-02-04T09:46:47Z) - PAGE: Prototype-Based Model-Level Explanations for Graph Neural Networks [12.16789930553124]
The Prototype-bAsed GNN-Explainer (Page) is a novel model-level explanation for graph classification。
Pageは、高いマッチングノードを反復的に検索することで、共通のサブグラフパターンを発見する。
6つのグラフ分類データセットを用いて、PAGEが最先端のモデルレベルの説明法よりも質的に定量的に優れていることを示す。
論文 参考訳(メタデータ) (2022-10-31T09:10:06Z) - Explaining Dynamic Graph Neural Networks via Relevance Back-propagation [8.035521056416242]
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おいて、豊富な情報を捕捉する際、顕著な効果を示した。
GNNのブラックボックスの性質は、モデルの理解と信頼を妨げるため、アプリケーションに困難をもたらす。
本稿ではDGExplainerを提案し,動的GNNの信頼性について説明する。
論文 参考訳(メタデータ) (2022-07-22T16:20:34Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳(メタデータ) (2021-01-16T16:18:43Z) - 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) - 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) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳(メタデータ) (2020-05-15T09:17:08Z)
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。