Forklarlig Graf Neuralt Netværk
Forklarlige Graf Neural Netværk (XAI-GNN) kombinerer standard GNN-arkitekturer med post-hoc eller intrinsiske forklaringsteknikker, der afslører, hvilke knuder, kanter og knudefunktioner der drev en models forudsigelse. Pioneret af GNNExplainer (Ying et al., 2019), adresserer feltet black-box-kritikken af GNN'er og er essentielt, hvor grafbaserede forudsigelser skal stoles på eller auditeres.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/da/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.
- Forklarbar BERT-baseret klassifikationDyb læring↔ compare
- Forklarlig TransformerDyb læring↔ compare
- Grafneuralt netværkNetværksanalyse↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →