Réseaux de neurones graphiques explicables
Les réseaux de neurones graphiques explicables (XAI-GNN) combinent des architectures GNN standard avec des techniques d'explication post-hoc ou intrinsèques qui révèlent quels nœuds, arêtes et caractéristiques de nœuds ont motivé la prédiction d'un modèle. Inauguré par GNNExplainer (Ying et al., 2019), ce domaine répond à la critique de la boîte noire des GNN et est essentiel partout où les prédictions basées sur des graphes doivent être fiables ou auditées.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/fr/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.
- Classification basée sur BERT explicableApprentissage profond↔ compare
- Transformer ExplicableApprentissage profond↔ compare
- Réseau neuronal à graphesAnalyse de réseaux↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →