Sep, 2023

ACGAN-GNNExplainer：图神经网络的辅助条件生成解释器

PDF
TL;DR通过引入辅助分类器生成对抗网络（ACGAN）到图神经网络解释领域，我们提出了一种新的图神经网络解释器，名为 ACGAN-GNNExplainer。我们的方法利用生成器为原始输入图生成解释，并结合鉴别器监督生成过程，从而确保解释的准确性和可靠度。实验评估表明，与其他现有的图神经网络解释方法相比，我们的方法在合成和真实世界图数据集上表现更优秀。
graph neural networksgnn explainersauxiliary classifier generative adversarial networkacgan-gnnexplainerexplanation fidelity
发现论文，激发创造
  • 图形对比学习与生成对抗网络

    通过引入生成对抗网络（GAN）以学习图的视图分布，GACN 是一个新颖的生成对抗性对比学习网络，用于图表示学习。经过大量实验证实 GACN 能够为 GCL 生成高质量的增强视图，并且优于十二种最先进的基准方法。值得注意的是，我们提出的 GACN 出乎意料地发现数据增强中生成的视图最终符合在线网络中著名的优先连接规则。

    Aug, 2023

  • 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

  • 图形神经网络解释是脆弱的

    解释性图神经网络的解释器在对抗性攻击下表现脆弱

    Jun, 2024

  • XGNN: 面向图神经网络模型级解释

    提出了一种名为 XGNN 的新方法，通过训练图生成器来解释 GNN 在模型级别的工作，其中将图形生成作为强化学习任务，并利用训练的 GNN 信息对图形生成器进行策略梯度方法的训练，最终可以有效地理解和验证所训练的 GNN 的结果，并在生成的图形上改进 GNN 的性能。

    Jun, 2020

  • 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

  • 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

  • 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

  • 通过对抗训练获得可靠的图神经网络解释

    本文探讨如何通过对图神经网络的敌对训练来提高模型的可解释性，通过一种新的度量标准来评估解释方法对模型学习到的表征的利用效果，并证明对于化学领域的应用，敌对训练可以更好地提取与领域相关的见解。

    Jun, 2021

  • 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

  • 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