抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】