Reti Neurali su Grafi Spiegabili
Le Reti Neurali su Grafi Spiegabili (XAI-GNN) combinano architetture GNN standard con tecniche di spiegazione post-hoc o intrinseche che rivelano quali nodi, archi e caratteristiche dei nodi hanno guidato la previsione di un modello. Introdotto da GNNExplainer (Ying et al., 2019), il campo affronta la critica della "scatola nera" delle GNN ed è essenziale ovunque le previsioni basate su grafi debbano essere affidabili o verificabili.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/it/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.
- Classificazione basata su BERT SpiegabileApprendimento profondo↔ compare
- Transformer SpiegabileApprendimento profondo↔ compare
- GCN / GAT / GraphSAGEAnalisi delle reti↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →