グラフニューラルネットワークのための不変原理の発見【JST・京大機械翻訳】

Wu Ying-Xin; Wang Xiang; Zhang An; He Xiangnan; Chua Tat-Seng

プレプリント

J-GLOBAL ID：202202215626615377 整理番号：22P0282032

グラフニューラルネットワークのための不変原理の発見【JST・京大機械翻訳】

Discovering Invariant Rationales for Graph Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月30日プレプリントサーバーでの情報更新日： 2022年01月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

グラフニューラルネットワーク(GNN)の固有解釈可能性は,入力グラフの特徴の小さい部分集合を見つけることである。残念なことに,主導的合理化モデルは,データバイアス,特にショートカット特徴に頼り,理論的根拠を構成し,臨界および因果パターンをプロービングすることなく予測を行う。さらに,そのようなデータバイアスは訓練分布の外側に容易に変化する。結果として,これらのモデルは,アウトオブ分布データに関する解釈可能性と予測性能の大きな低下に悩まされる。本研究では,本質的に解釈可能なGNNを構築するために,不変理論(DIR)を発見する新しい戦略を提案した。訓練分布に関する介入を行い,複数の介入分布を生成する。次に,それは不安定である偽のパターンをフィルタリングしながら,異なる分布にわたって不変である因果律理論にアプローチする。合成および実世界データセットの両者に関する実験は,主要な基準線上のグラフ分類に関する解釈可能性および一般化能力に関して,著者らのDIRの優位性を証明した。コードとデータセットはhttps://github.com/Wuyxin/DIR GNNで利用可能である。【JST・京大機械翻訳】

, , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , ニューロコンピュータ

, , ,

前のページに戻る