Обясними Графови Невронни Мрежи
Обяснимите Графови Невронни Мрежи (XAI-GNN) комбинират стандартни GNN архитектури с пост-хок или вътрешни методи за обяснение, които разкриват кои възли, ребра и характеристики на възлите са обусловили предсказанието на модела. Пионер в тази област е GNNExplainer (Ying et al., 2019), като областта адресира критиката за „черната кутия“ на GNN и е от съществено значение навсякъде, където предсказанията, базирани на графи, трябва да бъдат доверени или одитирани.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Ying, Z., Bourgeois, D., You, J., Zitnik, M., & Leskovec, J. (2019). GNNExplainer: Generating Explanations for Graph Neural Networks. Advances in Neural Information Processing Systems (NeurIPS), 32, 9240–9251. link ↗
- Yuan, H., Yu, H., Gui, S., & Ji, S. (2023). Explainability in Graph Neural Networks: A Taxonomic Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(5), 5782–5799. DOI: 10.1109/TPAMI.2022.3204236 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/bg/deep-learning/explainable-graph-neural-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Обяснима класификация, базирана на BERTДълбоко обучение↔ compare
- Обясним ТрансформърДълбоко обучение↔ compare
- Графови невронни мрежиМрежови анализ↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →