Nov, 2023

Everybody Needs a Little HELP: 通过层次概念解释图形

PDF
TL;DR提供 HELP (Hierarchical Explainable Latent Pooling) 这一新颖、本质上可解释的图汇聚方法，它揭示了不同图神经网络层次的概念如何组合成后续步骤中的新概念。通过定性分析和定量验证，我们证明了 HELP 在化学和社交网络领域的领域知识上与标准 GCN 和热门汇聚方法表现相当的准确性，同时提供了更易于理解的解释。这项工作代表了对图神经网络的理解迈出的第一步，超越了来自最终层次的一组概念，而是解释了不同层次概念之间的复杂相互作用。
graph neural networksinterpretabilityhelpexplanationshierarchical graph pooling
发现论文，激发创造
  • 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

  • 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

  • 图神经网络可解释性调查

    本文综述了现有的图神经网络可解释性技术，提出了分类方法并分别讨论了各类的优缺点、应用场景及评估指标，以协助研究人员和从业者了解现有的可解释性方法，识别不足并促进可解释性机器学习的进一步发展。

    Jun, 2023

  • 通过相关路径解释图神经网络的高阶行为

    本研究展示了一种新颖的解释方法 GNN-LRP，通过高阶扩展和嵌套属性方案来提取与预测相关的输入图形的漫游集合，可为图神经网络和情感分析等提供实用洞见。

    Jun, 2020

  • 图神经网络中的可解释性：分类调查

    本文综述了当前图神经网络可解释性方法，并建立了标准化的测试集，为以后的方法发展提供了经验基础。

    Dec, 2020

  • 使用内部代理解释图神经网络

    我们提出了一种使用代理图生成可解释子图的新方法，通过信息论设计的训练目标确保代理图符合训练数据的分布并保留基本的解释因素，从而实现更准确的图神经网络解释。

    Feb, 2024

  • 自说明图神经网络探索

    本文研究自解释图神经网络的新问题，提出了新的框架以实现可解释的节点分类，通过可解释的相似性模块以找到每个未标记节点的 $K$ 近邻标记节点，并在真实世界和合成数据集上进行了广泛的实验验证。

    Aug, 2021

  • 分级消息传递图神经网络

    提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架，通过生成 hierarchical structure，并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm，实现了对长程信息的高效访问，从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。

    Sep, 2020

  • 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

  • 图上的拓扑池化

    提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息，该方法在 11 个不同的基准数据集上超过 18 个基线模型，显示出对比竞争对手更佳的实验表现。

    Mar, 2023