Kolmogorov-Arnold Graph Neural Networks

要約

グラフ ニューラル ネットワーク (GNN) は、ネットワークのようなデータから学習することに優れていますが、解釈可能性に欠けていることが多く、透過的な意思決定が必要な分野でのアプリケーションは困難になります。
我々は、精度と解釈可能性の両方を向上させるためにエッジ上のスプラインベースの活性化関数を活用する新しい GNN モデルである Graph Kolmogorov-Arnold Network (GKAN) を提案します。
5 つのベンチマーク データセットでの実験では、GKAN がノード分類、リンク予測、グラフ分類のタスクにおいて最先端の GNN モデルよりも優れていることが実証されました。
精度の向上に加えて、GKAN の設計は本質的にモデルの意思決定プロセスに対する明確な洞察を提供し、事後の説明可能性テクニックの必要性を排除します。
このペーパーでは、GKAN の方法論、パフォーマンス、解釈可能性について説明し、解釈可能性が重要な分野でのアプリケーションの可能性を強調します。

要約(オリジナル)

Graph neural networks (GNNs) excel in learning from network-like data but often lack interpretability, making their application challenging in domains requiring transparent decision-making. We propose the Graph Kolmogorov-Arnold Network (GKAN), a novel GNN model leveraging spline-based activation functions on edges to enhance both accuracy and interpretability. Our experiments on five benchmark datasets demonstrate that GKAN outperforms state-of-the-art GNN models in node classification, link prediction, and graph classification tasks. In addition to the improved accuracy, GKAN’s design inherently provides clear insights into the model’s decision-making process, eliminating the need for post-hoc explainability techniques. This paper discusses the methodology, performance, and interpretability of GKAN, highlighting its potential for applications in domains where interpretability is crucial.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google