文献

J-GLOBAL ID：202002295507238838   整理番号：20A1889771

ノード分類における重み付きグラフ特徴を理解するためのグラフニューラルネットワークの説明【JST・京大機械翻訳】

Explain Graph Neural Networks to Understand Weighted Graph Features in Node Classification

著者 (2件)： Li Xiaoxiao (Yale University, New Haven, USA) ,  Saude Joao (JP Morgan AI Research, New York, USA)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12279  ページ： 57-76  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 付加的なトポロジー構造と接続情報を持つ異なるアプリケーションから収集された実データは重み付きグラフとして表現できる。ノードラベリング問題を考慮して,グラフニューラルネットワーク(GNN)は強力なツールであり,それはノードラベリングに関するエキスパート決定を模倣できる。GNNは,ノード情報を埋め込むためにニューラルネットワークを用いてノード特徴,接続パターンおよびグラフ構造を結合して,グラフにおけるエッジを通してそれを通過した。著者らは,GNNモデルによって使用される入力データのパターンを同定し,決定をし,もしモデルが望むかどうかを調べる。しかし,複雑なデータ表現と非線形変換のために,GNNによってなされた決定を説明することは,挑戦的である。本研究では,有益な要素と重要なノード特徴を同定するための新しいグラフ特徴の説明法を提案した。さらに,ノード分類に用いる重要な因子を同定するためのパイプラインを提案した。4つのデータセット(2つの合成と2つの実際)を用いて,著者らの方法を検証した。著者らの結果は,著者らの説明アプローチが,グラフにおける人間解釈と異なった特徴によってノード分類のために使用するデータパターンを模倣することができることを証明した。さらに,著者らの説明方法は,データの理解,GNNモデルのデバッギング,およびモデル決定の調査に使用できる。Copyright IFIP International Federation for Information Processing 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 位相幾何学 ,  *ニューラルネットワーク ,  データ表現 ,  デバッギング ,  応用プログラム
準シソーラス用語： 非線形変換 ,  グラフ構造 ,  入力データ , 【Automatic Indexing@JST】

著者キーワード (3件)： 説明可能性 ,  グラフニューラルネットワーク ,  分類

分類 (2件)： グラフ理論基礎  (IA02020S) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： ノード ,  分類 ,  グラフ ,  理解 ,  グラフニューラルネットワーク ,  説明