文献

J-GLOBAL ID：202202266398723861   整理番号：22A0836880

EGNN:知識蒸留による説明可能なグラフニューラルネットワークの構築【JST・京大機械翻訳】

EGNN: Constructing explainable graph neural networks via knowledge distillation

著者 (5件)： Li Yuan (Chongqing Key Laboratory of Computational Intelligence, Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Liu Li (Chongqing Key Laboratory of Computational Intelligence, Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Wang Guoyin (Chongqing Key Laboratory of Computational Intelligence, Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Du Yong (Chongqing Key Laboratory of Computational Intelligence, Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Chen Penggang (Chongqing Key Laboratory of Computational Intelligence, Chongqing University of Posts and Telecommunications, Chongqing 400065, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 241  ページ： Null  発行年： 2022年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： グラフニューラルネットワークは,グラフによって表現されたデータ処理のために広く利用され,日常生活でそれらをユビキタスにする。構造データから特徴を抽出する優れた性能のため,グラフニューラルネットワークは学界と産業の両方からますます注目を集めている。本質的に,ほとんどのGNNモデルは,それらの隣接特徴を完全/ランダム集合することにより,ノードの表現を学習する。しかし,これらの非財政的に設計された集約スキームは,常に解釈可能性の欠如につながり,GNNモデルの採用の範囲を妥協する。本研究では,事前訓練された「ブラックボックス」モデルからの知識を蒸留することにより,透明で説明可能なGNNモデルの構築を試みた。具体的には,元のモデルの挙動に忠実度を同時に保存し,予測損失を最適化することにより,2つのノード間の明示的な「属性」重みを持つ浅いグラフニューラルネットワークを訓練した。次に,隣接選択戦略を,これらの明示的重みにより構築し,高レベルの性能と解釈可能性を保証した。提案フレームワークを評価するために,著者らの方法を,GCN,GAT,GraphSAGE,およびAM-GCNの4つの最先端モデルに組み込んだ。3つの実世界データセットに関する実験結果は,提案したフレームワークの有効性を示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *グラフ ,  最適化 ,  *蒸留 ,  構造 ,  *ニューラルネットワーク ,  ブラックボックス ,  凝集処理 ,  データ処理 ,  有効性 ,  フレームワーク【ソフトウェア開発】
準シソーラス用語： ユビキタス ,  判断能力 , 【Automatic Indexing@JST】

著者キーワード (4件)： グラフニューラルネットワーク ,  解釈可能性 ,  凝集法 ,  知識蒸留

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 知識蒸留 ,  説明 ,  グラフニューラルネットワーク ,  構築