May, 2024

EiG-Search：生成图神经网络解释的边诱导子图方法

PDF
TL;DR图神经网络的预测解释对于增强其安全性和可信度至关重要。本文介绍了一种名为 EiG-Search 的无需训练的方法，通过边诱导的子图进行高效线性时间搜索，边的重要性由增强的基于梯度的方法进行排序，实验结果在七个数据集上显示了其在性能和效率上的优越性。
发现论文，激发创造
  • 迭代图神经网络通过解释的频繁子图挖掘进行增强

    我们提出了一种基于可解释人工智能的模型改进方法，名为 Explanation Enhanced Graph Learning (EEGL)，旨在通过解释来提高图神经网络（GNN）在节点分类中的预测性能。EEGL 是一个迭代的自我改进算法，通过频繁子图挖掘来寻找解释子图中的相关模式，并进一步过滤以获得与节点邻域中特定子图的存在对应的应用相关特征。我们提供了针对这种基于子图的 Weisfeiler-Leman（1-WL）算法扩展的应用相关算法，并通过合成和真实世界数据的实验证据表明，EEGL 在预测性能方面优于相关方法，并具有超越普通 GNN 的节点区分能力。我们还分析了 EEGL 的训练动态。

    Mar, 2024

  • 通过子图探索解释图神经网络

    本研究提出了一种名为 SubgraphX 的算法，采用蒙特卡洛树搜索来探索重要子图并使用 Shapley 值作为子图重要性的度量，从而以明确和直接的方式解释图神经网络 (GNNs) 的预测结果.

    Feb, 2021

  • DAG Matters! GFlowNets 增强图神经网络的解释器

    本研究提出了一种基于 GFlowNets 的 GNN Explainer（GFlowExplainer）方法，通过生成结构而非组合优化的方法来生成子图，加快对 GNN 预测结果的解释，并在综合性实验中证明了其优越性。

    Mar, 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

  • EiX-GNN : 图神经网络的概念层特征中心性解释器

    本文提出了一种名为 EiX-GNN 的新方法，可以编码解释图神经网络的社会依赖关系，并介绍了解释者概念吸收度的概念来适应解释需要，实现了针对真实数据的定性研究和比较，并在公平性和简洁性方面取得了良好的结果。

    Jun, 2022

  • 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

  • KGExplainer：面向知识图谱补全的连接子图解释探索

    知识图谱补全（KGC）通过建立知识图谱嵌入（KGE）模型、探索连接子图解释方法和评估器等手段，有效改善知识图谱的不完整性问题，并在人类评估中取得了 83.3% 的最优比例。

    Apr, 2024

  • 结合随机解释器和子图神经网络可提高表达能力和可解释性

    该论文介绍了如何利用有意义的子图来加强图神经网络的表达能力，并提出了一个能够同时预测图分类和辅助解释性稀疏子图的新框架，其所提供的子图能够在保持相近精度的情况下提供说明性的解释。

    Apr, 2023

  • 图神经网络的忠实和一致解释

    从因果关系的角度理论分析图神经网络的预测，并提出了一种简单而有效的对齐嵌入算法来消除潜在的分布偏移对解释的影响，以优化更忠实的解释目标。

    May, 2022

  • 学习解释图神经网络

    L2XGNN 是一种可解释型 GNN 框架，它能够学习选择解释性亚图，并指定其需要具备的属性，如稀疏性和连通性，从而提高预测的可解释性和准确性。它可以达到与传统方法相同的分类准确性，同时使用的仅仅是提供的解释所包含的亚图。

    Sep, 2022