Apr, 2023

KS-GNNExplainer：基于组织病理图像的全局模型解释与实例说明

PDF
TL;DR我们开发了 KS-GNNExplainer，这是第一个利用现有实例级方法以有效方式提供更具信息和可靠的可解释输出的实例级图神经网络解释器，从而使得基于图形的组织病理学图像分析可以显著受益。我们的实验表明，该解释器能够成为全局模式提取器，从而克服了当前实例级方法在该领域中的基本局限性。
graph-based histopathological image analysisinstance-level graph neural network explainermodel explanationsapplied aiglobal pattern extractor
发现论文，激发创造
  • 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

  • 基于图神经网络的数字组织病理学：临床医生的概念和解释

    应对医疗领域深度学习的 “黑箱” 挑战，我们将 GCExplainer（一种自动概念发现解决方案）与 Logic Explained Networks 结合起来，为图神经网络提供全局解释。我们通过使用普遍适用的图构建和分类流程（包括 HoVer-Net 的全景分割和图卷积网络的癌症预测）来展示这一点。通过在乳腺癌的 H&E 切片上训练，我们展示了为临床医生提供可解释和可信赖的人工智能工具的有希望结果。

    Dec, 2023

  • 计算病理学中图神经网络解释器的量化

    本文提出了基于生物实体的图形处理和图形解释方法，以便通过使用可量化的统计指标衡量层次相关传播、基于梯度的显著性和图形修剪方法三种图形解释器，让组织病理学家容易理解。实验结果在大量的乳腺癌样本上证明了这些方法的可行性和有效性。

    Nov, 2020

  • 数字病理学中可解释图表示的研究

    本篇研究介绍了一种后处理解释器，可以从图形中提取关键诊断实体，从而进行细胞和细胞间的分类。该解释器具有广泛的应用前景，与数字病理的拓扑表示法相结合，可以产生更全面的解释性结果。

    Jul, 2020

  • 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

  • 通过学习的概念逻辑组合来实现 GNN 的全球可解释性

    GLGExplainer 是一种全局解释器，它能够生成作为图形概念逻辑公式的本地解释的任意布尔组合，从而提供准确和人类可解释的全局解释，这使得 GLGExplainer 成为有前途的用于学习 GNN 的诊断工具。

    Oct, 2022

  • 基于路径的知识图谱补全解释

    GNNs 在知识图谱完成领域取得了巨大成功，但预测结果的解释并没有得到足够的关注。本研究提出了 Power-Link 方法，基于路径的 KG 解释器，在 GNN-based 模型中探索路径解释，并引入新的度量方法进行定量和定性评估，实验证明 Power-Link 在解释性、效率和可扩展性方面优于基线模型。

    Jan, 2024

  • GNNAnatomy: 图神经网络的多层解释的系统生成与评估

    GNNAnatomy 是一个模型和数据集通用的视觉分析系统，利用 graphlets 来解释 Graph Neural Networks 在图级分类任务中的行为，并通过两个指标验证推测的 graphlet 解释的有效性和对分类结果的影响。

    Jun, 2024

  • 基于视图的图神经网络解释

    GVEX 提出了一种新颖的图解释范式，设计了一个两层的解释结构，包括图模式和感知解释子图，利用高质量的解释子图来对图神经网络进行解释，并通过两个算法实现了高效和可扩展的解释生成。

    Jan, 2024

  • GCExplainer：基于概念的人机交互解释器用于图神经网络

    本文提出了一种适用于 GNN 节点和图分类的自动套路解释方法 GCExplainer，通过将人放入循环中，实现了对 GNN 的全局解释，实验表明该方法较 GNNExplainer 具有更高质量的概念表示和提供了更深刻的数据集和模型分析。

    Jul, 2021