ICMLJul, 2021

BrainNNExplainer: 一种可解释的基于图神经网络的大脑网络疾病分析框架

PDF
TL;DR提出了一个可解释的 GNN 框架 BrainNNExplainer，用于脑网络分析，主要由两个联合学习的模块组成：为脑网络设计的骨干预测模型和突出疾病特定脑网络连接的解释生成器，广泛实验证明了 BrainNNExplainer 的独特解释性和优秀性能。
interpretable brain network modelsgnnsbrainnnexplainerdisease-specific prominent brain network connectionsdisease prediction
发现论文，激发创造
  • 基于连接组学的大脑疾病分析可解释化图神经网络

    该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

    Jun, 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

  • 基于医学概念的图神经网络的认知解释器

    本研究提出一种基于医学概念的可解释卷积神经网络框架，可用于识别超声标准平面，并构建关键医学概念之间的关系，从医生的认知角度解释，并在实验中取得了实质性的解释性能提升。

    Jan, 2022

  • 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

  • 基于原型的自解释图神经网络

    本研究提出了一种框架，可以学习原型图，从而同时提供准确的预测和基于原型的解释，用于自我解释的图神经网络，实验结果表明其在真实和人工数据集上都具有良好的预测和解释质量。

    Oct, 2022

  • 可理解和有效的图神经加性网络

    该研究论文介绍了一种可解释性图神经网络模型，名为 Graph Neural Additive Network（GNAN），通过直接可视化模型，可以在特征和图层次上提供全局和局部解释，展现模型在目标变量、特征和图之间的关系，实验证明 GNAN 与黑盒图神经网络在准确性上相当，因此适用于需要透明度的关键应用。

    Jun, 2024

  • DyExplainer：可解释的动态图神经网络

    使用 DyExplainer 方法解释动态图神经网络，通过稀疏注意机制探索结构关系和时间依赖性，并结合对比学习技术提供先验引导正则化，以实现对模型预测的解释性和预测准确性的显著提升。

    Oct, 2023

  • 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

  • 可解释的图神经网络用于表格数据

    IGNNet 是一个解释性图神经网络，用于处理表格数据，通过表征学习的方式捕获特征交互，大规模的实证研究证明 IGNNet 与 XGBoost、Random Forests 和 TabNet 等最先进的机器学习算法在处理表格数据时表现相当，同时 IGNNet 的解释与特征的 Shapley 值一致而无需额外的计算开销。

    Aug, 2023

  • 基于概念的全局神经元分析方法解释图神经网络

    本文通过研究图神经网络（GNNs）中个别神经元的行为，提出新的度量方法和全局解释方法，证明 GNN 神经元充当概念探测器，在逻辑组合的节点度和邻域属性的概念中具有良好的对齐性，将 GNNs 转换成易于理解的概念级别，提高模型的解释性和透明性，并通过实验证明了其优越性。

    Aug, 2022