本文提出了一种基于 GNN 的方法，利用语义和局部几何形状来指导可靠点云注册候选项的识别，语义和形态特征作为注册的关键参考点，实现精确的激光雷达姿态估计，我们的轻量级静态图结构通过识别语义实例关系，作为一种归纳偏见，显著减少了点云注册的计算负担，通过连接候选节点和利用跨图的关注机制，我们为所有潜在的注册对应关系计算置信度得分，估计点云扫描之间的位移，我们的流程通过将模型与环境中的局部结构的个体贡献相关联，使模型的性能进行内省分析，提供有价值的系统行为洞察。我们在 KITTI 测距数据集上测试我们的方法，相较于基准方法，实现了竞争性的准确度和更高的轨迹平滑度，同时依赖 significantly fewer network parameters。

Aug, 2023

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

本研究关注于图神经网络中节点的注意力机制及其效果影响，特别地，对比研究了图同构网络，在设计出一系列简单的图推理任务后，研究发现在典型环境下注意力的作用微乎其微，甚至有害作用，但在某些条件下可以大幅度提高分类性能达到 60% 以上。为了实现这些条件，通常需要在初始化或监督训练注意力方面下功夫，并提出了一种弱监督训练注意力的方法，实现效果与有监督学习基本一致，比无监督学习在多个数据集上都要好。

May, 2019

本文提出了一种基于信息瓶颈原理的图随机注意力方式，用于解释学习过程中选择任务相关亚图，并保证这些亚图中不包含与任务不相关的模式，并在 8 个数据集上进行了广泛的实验，结果表明该方法比现有方法在解释和预测准确度上都有更好的表现。

Jan, 2022

本文在两种 NLP 任务和两种模型上，比较了五种最近的特征归属方法和两种注意力方法之间的等级相关性，并发现注意力方法与其他特征归属方法的关联度较低，建议停止使用等级相关性作为注意力解释的评估指标。

May, 2022

自我注意机制在信息传递神经网络（MPNNs）中得到了采用，它自适应地控制着沿着底层图的边缘流动的信息量。然而，现有的研究通常使用简单的计算方法来从注意力中推导出归因分数，并且不考虑边缘归属的精确和谨慎计算。

Jun, 2024

本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。

Feb, 2022

通过多个 NLP 任务的广泛实验，发现学习的注意力权重往往与基于梯度的特征重要性测量之间存在不相关性，表明标准的注意力模块并不能提供有意义的解释并且不应该被视为能够提供这种解释。

Feb, 2019

本文系统而集中地介绍了基于注意力机制的图神经网络在自然语言处理、计算机视觉和推荐系统等领域的应用，以及它们的优缺点。

Jun, 2022

本研究提出 Causal Attention Learning (CAL) 策略，利用因果推断来处理图分类过程中存在的 confounding effect of shortcuts，该方法借助注意力模块估计因果特征和快捷特征，并对因果理论进行参数化背门调整。实验结果表明，CAL 策略在合成和真实数据集上均取得了良好的效果。

Dec, 2021