Skaidrojami grafu neironu tīkli
Skaidrojami grafu neironu tīkli (XAI-GNN) apvieno standarta GNN arhitektūras ar pēcpasākumu vai iekšējiem skaidrošanas paņēmieniem, kas atklāj, kuri mezgli, malas un mezglu elementi ir izraisījuši modeļa prognozi. Šī joma, ko aizsāka GNNExplainer (Ying et al., 2019), risina GNN "melnās kastes" kritiku un ir būtiska visur, kur grafu balstītām prognozēm ir jātic vai tās ir jāauditē.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/lv/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.
- Skaidrojama BERT bāzēta klasifikācijaDziļā mācīšanās↔ compare
- Skaidrojams TransformerisDziļā mācīšanās↔ compare
- Grafu neironu tīklsTīklu analīze↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →