SlideShare une entreprise Scribd logo

Evaluation d’explications pour la prédiction de liens dans les graphes de connaissances par des réseaux convolutifs

Evaluation d’explications pour la prédiction de liens dans les graphes de connaissances par des réseaux convolutifs. Présentation à PFIA IC 2022

1  sur  22
Télécharger pour lire hors ligne
Fabien Gandon
Inria, Université Côte d’Azur, CNRS, I3S, France
Evaluation d’explications pour la prédiction de
liens dans les graphes de connaissances par des
réseaux convolutifs
Nicholas Halliwell
Inria, Université Côte d’Azur, CNRS, I3S, France
Freddy Lecue
Inria, France
CortAIx, Thales, Canada
PFIA – IC 2022
Thèse de Nicholas Halliwell
2
Aperçu
3
1. Prédiction de liens explicable à l’aide de RGCN
& Lacunes des méthodes d’explication
2. Solution proposée : une vérité terrain à partir
des graphes de connaissances sur la royauté
3. Mesures de performance pour les explications
non uniques
1
4
Prédiction de liens explicable à
l’aide d’un RGCN & lacunes des
méthodes d’explication
RGCN pour la prédictions de liens dans un graphe (de connaissances)
5
• Relational Graph Convolutional Network (RGCN)
Réseau convolutif de graphes relationnels [1]
• Apprendre un plongement (embedding) de dimension d pour chaque nœud et relation du graphe
• Entrées : la matrice d’adjacence et un triplet/arc donné
• Sorties: la probabilité que le triplet donné soit un fait
• Plusieurs algorithmes existent pour tenter d’expliquer les prédictions des
RGCN ex. ExplaiNE [2] & GNNExplainer [3]
[0,1]
Deux algorithmes pour expliquer les prédictions des RGCN
6
• ExplaiNE [2]
• considère une paire de nœuds (i,j) et une paire nœuds d’explication candidate (k,l)
• calcule le gradient du score pour la paire (i,j) / variation de la matrice d’adjacence A en (k,l)
• GNNExplainer [3]
• apprend un masque M sur la matrice d’adjacence pour identifier le sous-graphe le plus pertinent
• minimise l’entropie croisée entre la prédiction effectuée à l’aide de la matrice d’adjacence
complète et la prédiction effectuée à l’aide de la matrice d’adjacence masquée
• Les deux méthodes d’explication renvoient une explication sous la forme d’un
sous-graphe à l’utilisateur
Publicité

Recommandé

Détection communautaire dans des réseaux complexe a l'aide de l'algorithme gé...
Détection communautaire dans des réseaux complexe a l'aide de l'algorithme gé...Détection communautaire dans des réseaux complexe a l'aide de l'algorithme gé...
Détection communautaire dans des réseaux complexe a l'aide de l'algorithme gé...AHMEDBELGHITH4
 
Université d’été ferney voltaire 2014 – les réseaux atelier-pajek
Université d’été ferney voltaire 2014 – les réseaux atelier-pajekUniversité d’été ferney voltaire 2014 – les réseaux atelier-pajek
Université d’été ferney voltaire 2014 – les réseaux atelier-pajekMarion Maisonobe
 
FAIRisation d’analyses bioinformatiques.pdf
FAIRisation d’analyses bioinformatiques.pdfFAIRisation d’analyses bioinformatiques.pdf
FAIRisation d’analyses bioinformatiques.pdfThomas DENECKER
 
Comment le contexte rend l’IA plus fiable et plus efficace ? - Webinaire 11 f...
Comment le contexte rend l’IA plus fiable et plus efficace ? - Webinaire 11 f...Comment le contexte rend l’IA plus fiable et plus efficace ? - Webinaire 11 f...
Comment le contexte rend l’IA plus fiable et plus efficace ? - Webinaire 11 f...Neo4j
 
Initiation à l'analyse de réseaux - formation fmr - séance 1
Initiation à l'analyse de réseaux - formation fmr - séance 1Initiation à l'analyse de réseaux - formation fmr - séance 1
Initiation à l'analyse de réseaux - formation fmr - séance 1Marion Maisonobe
 

Contenu connexe

Similaire à Evaluation d’explications pour la prédiction de liens dans les graphes de connaissances par des réseaux convolutifs

20090929 02 - Dependency structural matrix (Inria)
20090929 02 - Dependency structural matrix (Inria)20090929 02 - Dependency structural matrix (Inria)
20090929 02 - Dependency structural matrix (Inria)LeClubQualiteLogicielle
 
Introduction à la Data Science l data business
Introduction à la Data Science l data businessIntroduction à la Data Science l data business
Introduction à la Data Science l data businessVincent de Stoecklin
 
Diginova - Session sur le machine learning avec ML.NET
Diginova - Session sur le machine learning avec ML.NETDiginova - Session sur le machine learning avec ML.NET
Diginova - Session sur le machine learning avec ML.NETJulien Chable
 
Base de données graphe, Noe4j concepts et mise en oeuvre
Base de données graphe, Noe4j concepts et mise en oeuvreBase de données graphe, Noe4j concepts et mise en oeuvre
Base de données graphe, Noe4j concepts et mise en oeuvreMICHRAFY MUSTAFA
 
La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)Aline Figoureux
 
BID CE Workshop 1 session 02 - Foundations for the Workshop
BID CE Workshop 1   session 02 - Foundations for the WorkshopBID CE Workshop 1   session 02 - Foundations for the Workshop
BID CE Workshop 1 session 02 - Foundations for the WorkshopAlberto González-Talaván
 
XebiCon'17 : Le Deep Learning dans la vraie vie - Sandra Pietrowska et Yoann ...
XebiCon'17 : Le Deep Learning dans la vraie vie - Sandra Pietrowska et Yoann ...XebiCon'17 : Le Deep Learning dans la vraie vie - Sandra Pietrowska et Yoann ...
XebiCon'17 : Le Deep Learning dans la vraie vie - Sandra Pietrowska et Yoann ...Publicis Sapient Engineering
 
Méthodologie de mise en place d'observatoires virtuels via les métadonnées
Méthodologie de mise en place d'observatoires virtuels via les métadonnéesMéthodologie de mise en place d'observatoires virtuels via les métadonnées
Méthodologie de mise en place d'observatoires virtuels via les métadonnéesDesconnets Jean-Christophe
 
Data Mining (Partie 3).pdf
Data Mining (Partie 3).pdfData Mining (Partie 3).pdf
Data Mining (Partie 3).pdfOuailChoukhairi
 
Fouille de données sur des graphes : Introduction
Fouille de données sur des graphes : IntroductionFouille de données sur des graphes : Introduction
Fouille de données sur des graphes : Introductiontuxette
 
Base de données graphe et Neo4j
Base de données graphe et Neo4jBase de données graphe et Neo4j
Base de données graphe et Neo4jBoris Guarisma
 
BigText, compréhension et inférence avancées sur les textes
BigText, compréhension et inférence avancées sur les textesBigText, compréhension et inférence avancées sur les textes
BigText, compréhension et inférence avancées sur les textesPALO IT
 

Similaire à Evaluation d’explications pour la prédiction de liens dans les graphes de connaissances par des réseaux convolutifs (15)

20090929 02 - Dependency structural matrix (Inria)
20090929 02 - Dependency structural matrix (Inria)20090929 02 - Dependency structural matrix (Inria)
20090929 02 - Dependency structural matrix (Inria)
 
P15 Eda05 V D
P15 Eda05 V DP15 Eda05 V D
P15 Eda05 V D
 
Introduction à la Data Science l data business
Introduction à la Data Science l data businessIntroduction à la Data Science l data business
Introduction à la Data Science l data business
 
Algorithme knn
Algorithme knnAlgorithme knn
Algorithme knn
 
Diginova - Session sur le machine learning avec ML.NET
Diginova - Session sur le machine learning avec ML.NETDiginova - Session sur le machine learning avec ML.NET
Diginova - Session sur le machine learning avec ML.NET
 
Base de données graphe, Noe4j concepts et mise en oeuvre
Base de données graphe, Noe4j concepts et mise en oeuvreBase de données graphe, Noe4j concepts et mise en oeuvre
Base de données graphe, Noe4j concepts et mise en oeuvre
 
Data Mining
Data MiningData Mining
Data Mining
 
La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)
 
BID CE Workshop 1 session 02 - Foundations for the Workshop
BID CE Workshop 1   session 02 - Foundations for the WorkshopBID CE Workshop 1   session 02 - Foundations for the Workshop
BID CE Workshop 1 session 02 - Foundations for the Workshop
 
XebiCon'17 : Le Deep Learning dans la vraie vie - Sandra Pietrowska et Yoann ...
XebiCon'17 : Le Deep Learning dans la vraie vie - Sandra Pietrowska et Yoann ...XebiCon'17 : Le Deep Learning dans la vraie vie - Sandra Pietrowska et Yoann ...
XebiCon'17 : Le Deep Learning dans la vraie vie - Sandra Pietrowska et Yoann ...
 
Méthodologie de mise en place d'observatoires virtuels via les métadonnées
Méthodologie de mise en place d'observatoires virtuels via les métadonnéesMéthodologie de mise en place d'observatoires virtuels via les métadonnées
Méthodologie de mise en place d'observatoires virtuels via les métadonnées
 
Data Mining (Partie 3).pdf
Data Mining (Partie 3).pdfData Mining (Partie 3).pdf
Data Mining (Partie 3).pdf
 
Fouille de données sur des graphes : Introduction
Fouille de données sur des graphes : IntroductionFouille de données sur des graphes : Introduction
Fouille de données sur des graphes : Introduction
 
Base de données graphe et Neo4j
Base de données graphe et Neo4jBase de données graphe et Neo4j
Base de données graphe et Neo4j
 
BigText, compréhension et inférence avancées sur les textes
BigText, compréhension et inférence avancées sur les textesBigText, compréhension et inférence avancées sur les textes
BigText, compréhension et inférence avancées sur les textes
 

Plus de Fabien Gandon

Walking Our Way to the Web
Walking Our Way to the WebWalking Our Way to the Web
Walking Our Way to the WebFabien Gandon
 
a shift in our research focus: from knowledge acquisition to knowledge augmen...
a shift in our research focus: from knowledge acquisition to knowledge augmen...a shift in our research focus: from knowledge acquisition to knowledge augmen...
a shift in our research focus: from knowledge acquisition to knowledge augmen...Fabien Gandon
 
A Never-Ending Project for Humanity Called “the Web”
A Never-Ending Project for Humanity Called “the Web”A Never-Ending Project for Humanity Called “the Web”
A Never-Ending Project for Humanity Called “the Web”Fabien Gandon
 
Wimmics Overview 2021
Wimmics Overview 2021Wimmics Overview 2021
Wimmics Overview 2021Fabien Gandon
 
CovidOnTheWeb : covid19 linked data published on the Web
CovidOnTheWeb : covid19 linked data published on the WebCovidOnTheWeb : covid19 linked data published on the Web
CovidOnTheWeb : covid19 linked data published on the WebFabien Gandon
 
Web open standards for linked data and knowledge graphs as enablers of EU dig...
Web open standards for linked data and knowledge graphs as enablers of EU dig...Web open standards for linked data and knowledge graphs as enablers of EU dig...
Web open standards for linked data and knowledge graphs as enablers of EU dig...Fabien Gandon
 
from linked data & knowledge graphs to linked intelligence & intelligence graphs
from linked data & knowledge graphs to linked intelligence & intelligence graphsfrom linked data & knowledge graphs to linked intelligence & intelligence graphs
from linked data & knowledge graphs to linked intelligence & intelligence graphsFabien Gandon
 
The Web We Mix - benevolent AIs for a resilient web
The Web We Mix - benevolent AIs for a resilient webThe Web We Mix - benevolent AIs for a resilient web
The Web We Mix - benevolent AIs for a resilient webFabien Gandon
 
Overview of the Research in Wimmics 2018
Overview of the Research in Wimmics 2018Overview of the Research in Wimmics 2018
Overview of the Research in Wimmics 2018Fabien Gandon
 
Web science AI and IA
Web science AI and IAWeb science AI and IA
Web science AI and IAFabien Gandon
 
Normative Requirements as Linked Data
Normative Requirements as Linked DataNormative Requirements as Linked Data
Normative Requirements as Linked DataFabien Gandon
 
Wimmics Research Team Overview 2017
Wimmics Research Team Overview 2017Wimmics Research Team Overview 2017
Wimmics Research Team Overview 2017Fabien Gandon
 
On the many graphs of the Web and the interest of adding their missing links.
On the many graphs of the Web and the interest of adding their missing links. On the many graphs of the Web and the interest of adding their missing links.
On the many graphs of the Web and the interest of adding their missing links. Fabien Gandon
 
One Web of pages, One Web of peoples, One Web of Services, One Web of Data, O...
One Web of pages, One Web of peoples, One Web of Services, One Web of Data, O...One Web of pages, One Web of peoples, One Web of Services, One Web of Data, O...
One Web of pages, One Web of peoples, One Web of Services, One Web of Data, O...Fabien Gandon
 
How to supervise your supervisor?
How to supervise your supervisor?How to supervise your supervisor?
How to supervise your supervisor?Fabien Gandon
 
Dans l'esprit du Pagerank: regards croisés sur les algorithmes,
Dans l'esprit du Pagerank: regards croisés sur les algorithmes,Dans l'esprit du Pagerank: regards croisés sur les algorithmes,
Dans l'esprit du Pagerank: regards croisés sur les algorithmes,Fabien Gandon
 
Wimmics Research Team 2015 Activity Report
Wimmics Research Team 2015 Activity ReportWimmics Research Team 2015 Activity Report
Wimmics Research Team 2015 Activity ReportFabien Gandon
 
Retours sur le MOOC "Web Sémantique et Web de données"
Retours sur le MOOC "Web Sémantique et Web de données"Retours sur le MOOC "Web Sémantique et Web de données"
Retours sur le MOOC "Web Sémantique et Web de données"Fabien Gandon
 
Emotions in Argumentation: an Empirical Evaluation @ IJCAI 2015
Emotions in Argumentation: an Empirical Evaluation @ IJCAI 2015Emotions in Argumentation: an Empirical Evaluation @ IJCAI 2015
Emotions in Argumentation: an Empirical Evaluation @ IJCAI 2015Fabien Gandon
 
ESWC 2015 Closing and "General Chair's minute of Madness"
ESWC 2015 Closing and "General Chair's minute of Madness"ESWC 2015 Closing and "General Chair's minute of Madness"
ESWC 2015 Closing and "General Chair's minute of Madness"Fabien Gandon
 

Plus de Fabien Gandon (20)

Walking Our Way to the Web
Walking Our Way to the WebWalking Our Way to the Web
Walking Our Way to the Web
 
a shift in our research focus: from knowledge acquisition to knowledge augmen...
a shift in our research focus: from knowledge acquisition to knowledge augmen...a shift in our research focus: from knowledge acquisition to knowledge augmen...
a shift in our research focus: from knowledge acquisition to knowledge augmen...
 
A Never-Ending Project for Humanity Called “the Web”
A Never-Ending Project for Humanity Called “the Web”A Never-Ending Project for Humanity Called “the Web”
A Never-Ending Project for Humanity Called “the Web”
 
Wimmics Overview 2021
Wimmics Overview 2021Wimmics Overview 2021
Wimmics Overview 2021
 
CovidOnTheWeb : covid19 linked data published on the Web
CovidOnTheWeb : covid19 linked data published on the WebCovidOnTheWeb : covid19 linked data published on the Web
CovidOnTheWeb : covid19 linked data published on the Web
 
Web open standards for linked data and knowledge graphs as enablers of EU dig...
Web open standards for linked data and knowledge graphs as enablers of EU dig...Web open standards for linked data and knowledge graphs as enablers of EU dig...
Web open standards for linked data and knowledge graphs as enablers of EU dig...
 
from linked data & knowledge graphs to linked intelligence & intelligence graphs
from linked data & knowledge graphs to linked intelligence & intelligence graphsfrom linked data & knowledge graphs to linked intelligence & intelligence graphs
from linked data & knowledge graphs to linked intelligence & intelligence graphs
 
The Web We Mix - benevolent AIs for a resilient web
The Web We Mix - benevolent AIs for a resilient webThe Web We Mix - benevolent AIs for a resilient web
The Web We Mix - benevolent AIs for a resilient web
 
Overview of the Research in Wimmics 2018
Overview of the Research in Wimmics 2018Overview of the Research in Wimmics 2018
Overview of the Research in Wimmics 2018
 
Web science AI and IA
Web science AI and IAWeb science AI and IA
Web science AI and IA
 
Normative Requirements as Linked Data
Normative Requirements as Linked DataNormative Requirements as Linked Data
Normative Requirements as Linked Data
 
Wimmics Research Team Overview 2017
Wimmics Research Team Overview 2017Wimmics Research Team Overview 2017
Wimmics Research Team Overview 2017
 
On the many graphs of the Web and the interest of adding their missing links.
On the many graphs of the Web and the interest of adding their missing links. On the many graphs of the Web and the interest of adding their missing links.
On the many graphs of the Web and the interest of adding their missing links.
 
One Web of pages, One Web of peoples, One Web of Services, One Web of Data, O...
One Web of pages, One Web of peoples, One Web of Services, One Web of Data, O...One Web of pages, One Web of peoples, One Web of Services, One Web of Data, O...
One Web of pages, One Web of peoples, One Web of Services, One Web of Data, O...
 
How to supervise your supervisor?
How to supervise your supervisor?How to supervise your supervisor?
How to supervise your supervisor?
 
Dans l'esprit du Pagerank: regards croisés sur les algorithmes,
Dans l'esprit du Pagerank: regards croisés sur les algorithmes,Dans l'esprit du Pagerank: regards croisés sur les algorithmes,
Dans l'esprit du Pagerank: regards croisés sur les algorithmes,
 
Wimmics Research Team 2015 Activity Report
Wimmics Research Team 2015 Activity ReportWimmics Research Team 2015 Activity Report
Wimmics Research Team 2015 Activity Report
 
Retours sur le MOOC "Web Sémantique et Web de données"
Retours sur le MOOC "Web Sémantique et Web de données"Retours sur le MOOC "Web Sémantique et Web de données"
Retours sur le MOOC "Web Sémantique et Web de données"
 
Emotions in Argumentation: an Empirical Evaluation @ IJCAI 2015
Emotions in Argumentation: an Empirical Evaluation @ IJCAI 2015Emotions in Argumentation: an Empirical Evaluation @ IJCAI 2015
Emotions in Argumentation: an Empirical Evaluation @ IJCAI 2015
 
ESWC 2015 Closing and "General Chair's minute of Madness"
ESWC 2015 Closing and "General Chair's minute of Madness"ESWC 2015 Closing and "General Chair's minute of Madness"
ESWC 2015 Closing and "General Chair's minute of Madness"
 

Evaluation d’explications pour la prédiction de liens dans les graphes de connaissances par des réseaux convolutifs

  • 1. Fabien Gandon Inria, Université Côte d’Azur, CNRS, I3S, France Evaluation d’explications pour la prédiction de liens dans les graphes de connaissances par des réseaux convolutifs Nicholas Halliwell Inria, Université Côte d’Azur, CNRS, I3S, France Freddy Lecue Inria, France CortAIx, Thales, Canada PFIA – IC 2022
  • 2. Thèse de Nicholas Halliwell 2
  • 3. Aperçu 3 1. Prédiction de liens explicable à l’aide de RGCN & Lacunes des méthodes d’explication 2. Solution proposée : une vérité terrain à partir des graphes de connaissances sur la royauté 3. Mesures de performance pour les explications non uniques
  • 4. 1 4 Prédiction de liens explicable à l’aide d’un RGCN & lacunes des méthodes d’explication
  • 5. RGCN pour la prédictions de liens dans un graphe (de connaissances) 5 • Relational Graph Convolutional Network (RGCN) Réseau convolutif de graphes relationnels [1] • Apprendre un plongement (embedding) de dimension d pour chaque nœud et relation du graphe • Entrées : la matrice d’adjacence et un triplet/arc donné • Sorties: la probabilité que le triplet donné soit un fait • Plusieurs algorithmes existent pour tenter d’expliquer les prédictions des RGCN ex. ExplaiNE [2] & GNNExplainer [3] [0,1]
  • 6. Deux algorithmes pour expliquer les prédictions des RGCN 6 • ExplaiNE [2] • considère une paire de nœuds (i,j) et une paire nœuds d’explication candidate (k,l) • calcule le gradient du score pour la paire (i,j) / variation de la matrice d’adjacence A en (k,l) • GNNExplainer [3] • apprend un masque M sur la matrice d’adjacence pour identifier le sous-graphe le plus pertinent • minimise l’entropie croisée entre la prédiction effectuée à l’aide de la matrice d’adjacence complète et la prédiction effectuée à l’aide de la matrice d’adjacence masquée • Les deux méthodes d’explication renvoient une explication sous la forme d’un sous-graphe à l’utilisateur
  • 7. lacunes des méthodes d’explication 7 • ExplaiNE & GNNExplainer n’utilisent pas les mêmes jeux de données pour leurs expérimentations Pas de comparaison possible • Des évaluations limitées, dépendantes d’un domaine et au mieux qualitatives Pas de vérité terrain disponible pour les explications • Les critères utilisés varient Pas de métriques standards pour évaluer et comparer les explications • Il peut y avoir plusieurs façons d’expliquer une prédiction donnée • Questions de recherche de cet article: • Comment tester un système ? • Comment savons-nous quelle explication est optimale ? • Comment comparer deux systèmes ?
  • 8. 2 8 Solution proposée : une vérité terrain à partir des graphes de connaissances (sur la royauté)
  • 9. Exemple expliquer: (Louis VII of France, hasChild, Agnes of France) 9 • Expliquer (Louis VII of France, hasChild, Agnes of France) Agnes_of_France Louis_VII_of_France hasChild
  • 10. Exemple expliquer: (Louis VII of France, hasChild, Agnes of France) 10 • Expliquer (Louis VII of France, hasChild, Agnes of France) Louis_VI_of_France Agnes_of_France Louis_VII_of_France Adela_of_Champagne Hugh,_Count_of_Champagne Constance_of_France hasChild Bertha_of_Holland hasParent hasGrandparent hasSpouse hasGrandparent hasChild hasChild hasParent
  • 11. Exemple expliquer: (Louis VII of France, hasChild, Agnes of France) 11 • Expliquer (Louis VII of France, hasChild, Agnes of France) • Exemple 1: • (Adela of Champagne, hasChild, Agnes of France) • (Louis VII of France, hasSpouse, Adela of Champagne) Louis_VI_of_France Agnes_of_France Louis_VII_of_France Adela_of_Champagne Hugh,_Count_of_Champagne Constance_of_France hasChild Bertha_of_Holland hasParent hasGrandparent hasSpouse hasGrandparent hasChild hasChild hasParent
  • 12. Exemple expliquer: (Louis VII of France, hasChild, Agnes of France) 12 • Expliquer (Louis VII of France, hasChild, Agnes of France) • Exemple 1: • (Adela of Champagne, hasChild, Agnes of France) • (Louis VII of France, hasSpouse, Adela of Champagne) • Autre possibilité: • (Agnes of France, hasGrandparent, Louis VI of France) • (Louis VII of France, hasParent, Louis VI of France) Louis_VI_of_France Agnes_of_France Louis_VII_of_France Adela_of_Champagne Hugh,_Count_of_Champagne Constance_of_France hasChild Bertha_of_Holland hasParent hasGrandparent hasSpouse hasGrandparent hasChild hasChild hasParent
  • 13. Traçage de règle pour la génération d’explications 13 • Traces d’inférences comme vérité terrain d’explication • Règles équivalentes à des clauses de Horn ¬𝑙𝑙1 ∨ ... ∨ ¬𝑙𝑙𝑛𝑛 ∨ 𝑙𝑙𝑐𝑐 ou 𝑙𝑙𝑐𝑐 ← 𝑙𝑙1 ∧ ... ∧ 𝑙𝑙𝑛𝑛 • Ex. ℎ𝑎𝑎𝑠𝑠𝐺𝐺𝑟𝑟𝑎𝑎𝑛𝑛𝑑𝑑𝑝𝑝𝑎𝑎𝑟𝑟𝑒𝑒𝑛𝑛𝑡𝑡 (𝑋𝑋, 𝑍𝑍) ←ℎ𝑎𝑎𝑠𝑠𝑃𝑃𝑎𝑎𝑟𝑟𝑒𝑒𝑛𝑛𝑡𝑡 (𝑋𝑋,𝑌𝑌) ∧ ℎ𝑎𝑎𝑠𝑠𝑃𝑃𝑎𝑎𝑟𝑟𝑒𝑒𝑛𝑛𝑡𝑡 (𝑌𝑌, 𝑍𝑍) • Pour le triplet 𝑇𝑇𝑐𝑐 obtenable par dérivation 𝑇𝑇𝑐𝑐 ← (𝑇𝑇1, . . . ,𝑇𝑇𝑛𝑛) la trace (𝑇𝑇1, . . . ,𝑇𝑇𝑛𝑛) devient une explication • Règles complètes (implication logique) & Règles de traçage pour explications annexes • Utiliser le moteur de règle open source CORESE [4] pour créer un jeu de données avec des explications à l’aide de règles • Construire FrenchRoyalty-200k • Extraction et nettoyage de relations familiales des rois et reines de France • 6 types de relations : hasBrother, hasSister, hasChild, hasParent, hasSpouse, hasGrandparent +
  • 14. Scores et génération du jeu de données 14 • Plusieurs façons plus ou moins bonnes d’expliquer pourquoi un lien existe • Construction d’un petit graphe complet en utilisant toutes les relations familiales • Énumérer tous les chemins d’accès d’une longueur maximale de 2 • Chaque chemin possible sert d’explication • Expérience utilisateur pour déterminer les poids de pertinence sur une échelle de Likert 0-4 • Pour chaque triplet dans l’ensemble d’entraînement/test • on génère toutes les explications possibles pour expliquer pourquoi ce lien existe entre deux entités • on attache un score à l’explication correspondant au score obtenu par la règle lors de l’évaluation par les utilisateurs
  • 15. Jeu de données, score des utilisateurs et type d’explication 15
  • 16. 3 16 Mesures de performance en présence d’explications non uniques
  • 17. précision et le rappel généralisés 17 • La précision et le rappel classiques ne tiennent pas compte du fait que certaines explications peuvent être plus intuitives que d’autres • Nous adaptons la précision et le rappel généralisés [5] pour tenir compte des poids de pertinence déterminés par les utilisateurs • Précision généralisée incluant le score s(.) : • Rappel généralisé incluant le score s(.):
  • 18. score de Jaccard pour identifier les explications visées 18 • Une proposition d’explication peut être incomplète et ceci par rapport à de multiples explications possibles • Calculer le score de Jaccard par rapport à toutes les explications possibles: • Considérer le score de Jaccard maximum pour toutes les explications possibles • Identifier les explications ciblées par une méthode • Evaluer la complétude de l’explication
  • 20. Analyse qualitative 20 Distribution des propriétés dans les explications incorrectes. Distribution des scores dans les explications prédites.
  • 21. Conclusion 21 • Les méthodes RGCN n’ont pas de jeux de données et de mesures d’évaluation commun pour être évalués et comparés. • Les méthodes d’explication peuvent avoir plusieurs explications • Le traçage de règles peut être utilisé pour générer une vérité terrain pour des systèmes de génération d’explications • Nous proposons un jeu de données FrenchRoyalty-200k et des métriques • ExplaiNE a surpassé GNNExplainer sur ces ensembles de données et métriques
  • 22. Conclusion 22 Références: 1. Michael Sejr Schlichtkrull, Thomas N. Kipf, Peter Bloem, Rianne van den Berg, Ivan Titov, and Max Welling. Modeling Relational Data with Graph Convolutional Networks. In European Semantic Web Conference, ESWC 2018 2. Bo Kang, Jefrey Lijffijt, and Tijl De Bie. ExplaiNE: An Approach for Explaining Network Embedding-based Link Predictions. CoRRabs/1904.12694 (2019).arXiv:1904.12694, 2019 3. Zhitao Ying, Dylan Bourgeois, Jiaxuan You, Marinka Zitnik, and Jure Leskovec.. GNNExplainer: Generating Explanations for Graph Neural Networks. InAdvances in Neural Information Processing Systems, Hanna M. Wallach, Hugo Larochelle, Alina Beygelzimer, Florence d’Alché-Buc, Emily B. Fox, and Roman Garnett (Eds.), 2019 4. Corby, O., Gaignard, A., Faron Zucker, C., Montagnat, J.: KGRAM Versatile In- ference and Query Engine for the Web of Linked Data. In: IEEE/WIC/ACM International Conference on Web Intelligence. pp. 1–8. Macao, China, 2012, 5. Jaana Kekäläinen and Kalervo Järvelin. 2002. Using graded relevance assessments in IR evaluation. J. Assoc. Inf. Sci. Technol. 2002.