Selitettävä graafineuraaliverkko
Selitettävät graafineuraaliverkot (XAI-GNN) yhdistävät standardeja GNN-arkkitehtuureja jälkikäteisiin tai sisäisiin selitystekniikoihin, jotka paljastavat, mitkä solmut, särmät ja solmuominaisuudet vaikuttivat mallin ennusteeseen. GNNExplainerin (Ying et al., 2019) uraauurtama ala vastaa GNN-mallien mustan laatikon kritiikkiin ja on välttämätön aina, kun graafipohjaisiin ennusteisiin on luotettava tai niitä on auditoitava.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/fi/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.
- Selitettävä BERT-pohjainen luokitteluSyväoppiminen↔ compare
- Selitettävä TransformerSyväoppiminen↔ compare
- GraafineuraaliverkkoVerkostoanalyysi↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →