Augment to Interpret: Unsupervised and Inherently Interpretable Graph Embeddings

要約

教師なし学習により、豊富に利用可能になったラベルなしデータを活用し、さまざまな下流タスクで使用できるエンベディングを作成できます。
しかし、教師なし表現学習の典型的な解釈可能性の欠如は、最近の透明 AI 規制に関して制限要因となっています。
この論文では、グラフ表現の学習を研究し、セマンティクスを保持するデータ拡張を学習し、解釈を生成するために使用できることを示します。
私たちが INGENIOUS と名付けたこのフレームワークは、本質的に解釈可能な埋め込みを作成し、コストのかかる追加の事後分析の必要性を排除します。
また、形式主義の欠如に対処する追加のメトリクスと、教師なし表現学習の解釈可能性という十分に研究されていない領域のメトリクスも紹介します。
私たちの結果は、グラフレベルとノードレベルのタスクの両方に適用された実験研究によって裏付けられており、解釈可能な埋め込みが後続の下流タスクで最先端のパフォーマンスを提供することを示しています。

要約(オリジナル)

Unsupervised learning allows us to leverage unlabelled data, which has become abundantly available, and to create embeddings that are usable on a variety of downstream tasks. However, the typical lack of interpretability of unsupervised representation learning has become a limiting factor with regard to recent transparent-AI regulations. In this paper, we study graph representation learning and we show that data augmentation that preserves semantics can be learned and used to produce interpretations. Our framework, which we named INGENIOUS, creates inherently interpretable embeddings and eliminates the need for costly additional post-hoc analysis. We also introduce additional metrics addressing the lack of formalism and metrics in the understudied area of unsupervised-representation learning interpretability. Our results are supported by an experimental study applied to both graph-level and node-level tasks and show that interpretable embeddings provide state-of-the-art performance on subsequent downstream tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google