Oct, 2020

PGM-Explainer：面向图神经网络的概率图模型解释器

HTML
PDF
TL;DR本文章提出了PGM-Explainer，一种基于概率图模型（PGM）的GNN解释器，其能够识别关键的图形成分并生成一个PGM来近似解释预测，并且将解释以条件概率的形式呈现。理论分析表明，PGM-Explainer生成的PGM包括目标预测的Markov-blanket，即包括所有其统计信息。实验结果显示，PGM-Explainer在许多基准任务中均达到比现有解释器更好的性能。
发现论文，激发创造
  • GNNExplainer: 生成图神经网络解释

    该研究提出了 GNNExplainer 方法，能够为任何基于 GNN 的模型和任何基于图的机器学习任务提供可解释性的预测解释，该方法能够识别关键的子图结构和节点特征，并能够生成一致而简洁的解释。

    Mar, 2019

  • 图神经网络的可参数化解释器

    本研究提出PGExplainer方法解决了图神经网络在全局理解及归纳场景下解释预测的问题。PGExplainer使用神经网络参数化解释生成过程，支持对多个实例进行自然的解释，并提高了解释的泛化能力。实验结果在合成和实际数据集上表现出高度竞争性。

    Nov, 2020

  • 图神经网络中的可解释性：分类调查

    本文综述了当前图神经网络可解释性方法，并建立了标准化的测试集，为以后的方法发展提供了经验基础。

    Dec, 2020

  • 自说明图神经网络探索

    本文研究自解释图神经网络的新问题，提出了新的框架以实现可解释的节点分类，通过可解释的相似性模块以找到每个未标记节点的$K$近邻标记节点，并在真实世界和合成数据集上进行了广泛的实验验证。

    Aug, 2021

  • 图神经网络与概率图模型的交叉：综述

    该研究综述了图神经网络和概率图形模型的交叉应用，探讨了GNN如何受益于PGM学习结构表示，如何实现更有效的推理和结构学习，以及分析了近期研究中使用的基准数据集和未来研究方向。

    May, 2022

  • 可解释图神经网络综述：分类和评估指标

    本文全面梳理了针对可解释的图神经网络的技术，并基于这些技术对它们进行了分类，给出了衡量其性能的常见指标，最后指出了未来的研究方向。

    Jul, 2022

  • GNNInterpreter: 一个基于概率生成模型的解释器，为图神经网络提供解释

    本文提出了一种模型级别说明方法GNNInterpreter，用于解释图神经网络（GNN）的高级决策过程，该方法可以生成具有不同类型的节点和边缘特征的说明图，可以揭示模型中的潜在问题。

    Sep, 2022

  • 在图神经网络中解释解释者: 一项比较研究

    本文通过实验研究，测试了十种解释器在八种代表性架构训练的六个仔细设计的图形和节点分类数据集上的表现，提供了GNN解释器选择和适用性的关键见解，分离了使它们可用的关键组件并提供了关于如何避免常见解释误区的建议，并强调了未来研究的开放性问题和方向。

    Oct, 2022

  • 基于原型的模型级解释：图神经网络

    本研究提出一种原型图解释方法（PAGE），通过发现人类可解释的原型图来解释GNN模型在图分类中所学到的内容，从而提供比基于实例的解释更为简洁和全面的解释，PAGE表现比基于模型的其他解释方法更为优秀，具有稳健性和计算效率。

    Oct, 2022

  • 图神经网络的生成式解释：方法与评估

    结合图生成的角度，本文综述了用于图神经网络的解释方法，并就生成解释方法提出了统一的优化目标，包括归因和信息约束两个子目标。通过揭示现有方法的共享特性和差异，为未来的方法改进奠定了基础。实证结果对不同的解释方法在解释性能、效率和泛化能力方面的优势和局限性进行了验证。

    Nov, 2023