Magyarázható Gráfundulátumok
A magyarázható gráfundulátumok (Explainable Graph Neural Networks, XAI-GNN) standard GNN-architektúrákat kombinálnak utólagos (post-hoc) vagy beépített (intrinsic) magyarázati technikákkal, amelyek feltárják, mely csomópontok, élek és csomóponti jellemzők befolyásolták a modell predikcióját. A GNNExplainer (Ying et al., 2019) által úttörőként megkezdett terület a GNN-ek „fekete doboz” kritikájára reagál, és elengedhetetlen ott, ahol a gráfalapú predikciókat bízni vagy auditálni kell.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/hu/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.
- Magyarázható BERT-alapú osztályozásMélytanulás↔ compare
- Magyarázható TransformerMélytanulás↔ compare
- Gráfon alapuló neurális hálózatHálózatelemzés↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →