شبکههای عصبی گراف توضیحپذیر (Explainable Graph Neural Networks)
شبکههای عصبی گراف توضیحپذیر (XAI-GNN) معماریهای استاندارد GNN را با تکنیکهای توضیح پسرویدادی (post-hoc) یا ذاتی ترکیب میکنند که مشخص میکنند کدام گرهها، یالها و ویژگیهای گره باعث پیشبینی مدل شدهاند. این حوزه که توسط GNNExplainer (Ying et al., 2019) پیشگام شد، به نقد جعبه سیاه GNNها میپردازد و در مواردی که پیشبینیهای مبتنی بر گراف باید مورد اعتماد یا حسابرسی قرار گیرند، ضروری است.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/fa/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.
- طبقهبندی مبتنی بر برتِ قابل توضیحیادگیری عمیق↔ compare
- ترنسفورمر قابل توضیح (Explainable Transformer)یادگیری عمیق↔ compare
- شبکه عصبی گرافتحلیل شبکه↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →