KDDJun, 2024

基于图信息瓶颈的自解释时变图网络

PDF
TL;DR基于图信息瓶颈的自解释时态图网络（TGIB）是一种新的内置解释框架，能够同时对事件发生和解释进行预测，通过引入信息瓶颈理论中的随机性来对事件发生提供解释。实验结果表明，与现有方法相比，TGIB 在链接预测性能和可解释性方面具有优势。
temporal graph neural networksexplanation modelstemporal graphsself-explainable temporal graph networkslink prediction
发现论文，激发创造
  • 可解释的时空图神经网络

    提出了一种可解释的空时图神经网络（STExplainer）框架，以提高 Spatio-temporal Graph Neural Networks（STGNNs）的可解释性，同时实现准确的预测和可信的解释。通过与其他模型的实验比较，证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度，并能更好地处理数据丢失和稀疏性问题。

    Oct, 2023

  • 融合基于检索的因果学习与信息瓶颈的解释性图神经网络

    开发了一种新的可解释因果图神经网络框架，结合图信息瓶颈理论和基于检索的因果学习，能够半参数地检索关键子图并通过因果模块压缩解释性子图，在真实世界的多样解释场景中表现出比现有方法更高的准确率和 32.71% 更高的预测能力。

    Feb, 2024

  • 可解释的基于原型的图信息瓶颈

    在这项研究中，我们提出了一种新颖的解释性图神经网络框架（PGIB），将原型学习与信息瓶颈框架相结合，为模型预测提供关键子图的原型。通过广泛的实验和定性分析，证明了 PGIB 在预测性能和可解释性方面优于最先进的方法。

    Oct, 2023

  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020

  • 图神经网络的因子化解释器

    我们展示了在传统方法无法获得满足可解释性准则的解释时，一种基于修改后的图信息瓶颈原理的因子解释模型的有效性，并进行了广泛实验证实。

    Dec, 2023

  • 动态图信息瓶颈

    该论文介绍了一种名为动态图信息瓶颈（DGIB）的框架，用于学习动态图的稳健和有区分性的表征，并在真实世界和合成动态图数据集上的实验中展示了其对抗攻击的优越鲁棒性。

    Feb, 2024

  • DyExplainer：可解释的动态图神经网络

    使用 DyExplainer 方法解释动态图神经网络，通过稀疏注意机制探索结构关系和时间依赖性，并结合对比学习技术提供先验引导正则化，以实现对模型预测的解释性和预测准确性的显著提升。

    Oct, 2023

  • 基于原型的自解释图神经网络

    本研究提出了一种框架，可以学习原型图，从而同时提供准确的预测和基于原型的解释，用于自我解释的图神经网络，实验结果表明其在真实和人工数据集上都具有良好的预测和解释质量。

    Oct, 2022

  • MixupExplainer：利用数据增强泛化图神经网络解释

    针对图神经网络（GNN）通常难以解释的问题，本文提出了一种基于 Graph Information Bottleneck 的 MixupExplainer 方法，通过加入一个与标签无关的图变量来解决现有的方法存在的分布转移问题，并通过实验验证了该方法的有效性。

    Jul, 2023

  • SIG: 高效可自解释的连续时间动态图神经网络

    针对连续时间动态图（CTDGs）上的预测困难，本文研究了自解释的动态图神经网络（GNNs）。我们旨在在动态图中预测未来的链接并同时提供因果解释。通过提出独立和混淆因果模型（ICCM）并将其整合到同时考虑效果和效率的深度学习结构中，我们解决了捕捉基础结构和时间信息的不一致性和分布外数据的挑战，以及高质量链接预测结果和解释的高效生成。大量实验证明，我们的模型在链接预测准确性、解释质量和对快捷特征的鲁棒性上明显优于现有方法。我们的代码和数据集已匿名发布在此 URL。

    May, 2024