May, 2024

MAGE: 基于构图模式的模型层面图神经网络解释

PDF
TL;DR通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器（MAGE），本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集，验证了该方法的有效性。
graph neural networksinterpretabilitymagemotifsmolecular datasets
发现论文，激发创造
  • 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

  • 基于模式图的分子属性预测自监督学习

    本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法，称为基于图案的图形自我监督学习（MGSSL）。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息，该框架可以在宽度优先或深度优先的方式下执行，并在不同的下游基准任务上进行了广泛实验，表明我们的方法优于所有最先进的基线。

    Oct, 2021

  • 逐层图解释揭示分子基团

    通过使用图卷积架构的图神经网络，本研究提出了一种高准确性的多目标筛选方法，并采用分层的可解释人工智能技术，通过信息传递机制在原子、环和整个分子级别捕获相关物质，进而实现了对生物活性预测的重要性质的发现。

    Jan, 2024

  • 无任务图解释

    本文提出了一种独立于下游模型的、在自监督下训练的 GNN 解释器（TAGE），能够解释未知下游任务的 GNN 嵌入模型，无论是多任务模型还是自监督训练模型，在多个下游任务中使用同一模型进行解释，其解释质量甚至比现有的 GNN 解释方法更好。

    Feb, 2022

  • 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

  • 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

  • 基于模式的图形表示对比学习

    通过学习图模式 (Motif)，对大型图数据库进行 GNN 预处理，进而利用学习到的模式采样更多信息化的子图，通过对子图的对比学习预训练 GNN，使其性能在多个基准数据集中平均提高了 2.04% 的 ROC-AUC。

    Dec, 2020

  • 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

  • TempME：通过模式发现实现时间图神经网络的解释性

    针对当前时间图神经网络（TempME）的关键挑战，提出了一种新颖的方法：Temporal Motifs Explainer（TempME），用于揭示触发该模型预测的最关键时间图案，实验证明 TempME 在解释准确性方面取得了优势，并提升了当前时间图神经网络的预测平均精确度。

    Oct, 2023

  • 基于结构模式的图神经网络质谱预测

    本文提出了一种基于结构模式和图神经网络实现的大质谱预测系统 MoMS-Net，该系统在各种大质谱上的测试结果表明其优于现有模型，同时使用的内存较少。

    Jun, 2023