Sep, 2023

扩展解释：无监督且内在可解释的图嵌入

PDF
TL;DR我们研究了图表示学习，并展示了可以学习和使用保留语义的数据增强来产生解释性，名为 INGENIOUS 的框架，它创造出固有的可解释性嵌入并消除了昂贵的事后分析所需。我们还引入了额外的度量衡解决了无监督表示学习解释性这一研究领域中缺乏形式化和度量的问题。实验结果支持了我们的结果，应用于图级别和节点级别任务，展示了可解释性嵌入在随后的下游任务上提供了最先进的性能。
发现论文，激发创造
  • 从潜在到明晰：将知识图谱嵌入转化为可解释的结构

    本论文介绍了一种针对知识图嵌入模型的事后可解释人工智能方法，通过直接解码嵌入在知识图中的潜在表示，识别相似嵌入实体的子图邻域内的不同结构，并将这些见解转化为人类可理解的符号规则和事实，在知识图嵌入模型的抽象表示和预测输出之间构建了桥梁，提供清晰、可解释的见解。

    Jun, 2024

  • 探究无监督图嵌入的语义内容：一项实证研究

    本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。

    Jun, 2018

  • 利用生成模型对无监督概念为基础的可解释网络进行重新设计

    通过将概念特征映射到预训练生成模型的潜在空间中，我们提出了一种新方法，以生成高质量的可视化结果并提供直观、交互式的解释方式。我们验证了该方法在可解释预测网络准确性、重构保真度以及概念学习的忠实性和一致性方面的有效性。

    Jul, 2024

  • 使用图嵌入重新审视半监督学习

    介绍了一种基于图嵌入的半监督学习框架，重点研究了在图中联合预测类别标签和邻域上下文信息的方法，并在包括文本分类等多个基准任务上，相比已有的模型表现出了更好的性能。

    Mar, 2016

  • InfoGraph：利用互信息最大化进行无监督和半监督图级表示学习

    本文研究无监督与半监督情境下，学习整个图的表示。通过最大化不同规模子结构（例如节点，边和三角形）的表示和图表示之间的互信息，提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时，我们还提出了一个名为 InfoGraph * 的扩展，主要用于半监督学习。

    Jul, 2019

  • 大型图上的归纳表示学习

    该研究提出了一种通用的归纳框架 GraphSAGE，可以利用节点特征信息生成节点嵌入，不需要进行所有节点的嵌入训练，同时利用邻域采样和聚合特征来学习生成节点嵌入的函数。该算法在三项归纳节点分类基准测试中表现出色，具有很好的泛化性能。

    Jun, 2017

  • IntelliGraphs: 用于知识图谱生成基准测试的数据集

    该论文介绍了一种名为 Subgraph Inference 的任务，并提出了一个包含逻辑规则的知识图子图的数据集 IntelliGraphs，并设计和评估了不同的基准模型，旨在鼓励发展注重语义理解的机器学习模型。

    Jul, 2023

  • 基于图 - 图距离的无监督归纳图级别表示学习

    提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中，其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架，提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注（MSNA）提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明，UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。

    Apr, 2019

  • 用于可解释图像问题回答的内在子图生成

    这篇论文引入了一种可解释的基于图的 VQA 方法，并在 GQA 数据集上展示了竞争性的性能，通过在问答过程中生成一个子图作为解释来提供决策过程的洞察力。

    Mar, 2024

  • AMR4NLI：来自语义图的可解释且健壮的 NLI 度量

    本研究通过比较语义结构来表示前提和假设之间的语义关系，使用可解释的度量标准计算假设是否是前提的语义子结构，并在三个英文基准测试中评估了使用语境化嵌入和语义图表达的价值，并发现它们提供了互补的信号，并可以在混合模型中一起利用。

    Jun, 2023