Erklärbare Graph-Neuronale Netze
Erklärbare Graph-Neuronale Netze (XAI-GNN) kombinieren Standard-GNN-Architekturen mit Post-hoc- oder intrinsischen Erklärungstechniken, die aufzeigen, welche Knoten, Kanten und Knoteneigenschaften eine Vorhersage des Modells beeinflusst haben. Das Feld, dessen Pionier GNNExplainer (Ying et al., 2019) war, adressiert die Black-Box-Kritik an GNNs und ist unerlässlich, wo immer graphbasierte Vorhersagen vertrauenswürdig oder überprüfbar sein müssen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/de/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.
- Erklärbare BERT-basierte KlassifikationDeep Learning↔ compare
- Erklärbarer TransformerDeep Learning↔ compare
- Graph Neural NetworkNetzwerkanalyse↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →