Jun, 2024

GNNAnatomy: 图神经网络的多层解释的系统生成与评估

PDF
TL;DRGNNAnatomy 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。
graph neural networksgnnanatomyexplanationsgraphletsclassification
发现论文，激发创造
  • 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

  • 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

  • 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

  • 解密图神经网络解释

    该研究论文探讨了关于图神经网络（GNNs）在决策过程中透明度不足的问题，并针对生成 GNNs 解释的方法和数据的评估，研究了三个主要领域的普遍问题：（1）合成数据生成过程，（2）评估指标，以及（3）解释的最终呈现。此外，本文进行了一项实证研究，探讨了这些问题的意外后果，并提出了缓解这些问题的建议。

    Nov, 2021

  • 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

  • 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

  • 图神经网络中的可解释性：一个实验调研

    本文概述了当前流行的图神经网络（GNN）解释方法，包括新的评估指标和真实世界数据集的实验比较，并提出了未来的解释发展方向。

    Mar, 2022

  • 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

  • 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

  • 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