Explainable Graph Neural Network
Explainable Graph Neural Networks (XAI-GNN) combineren standaard GNN-architecturen met post-hoc of intrinsieke verklaaringstechnieken die onthullen welke knopen, verbindingen en knoopkenmerken een voorspelling van het model hebben gestuurd. Het veld, gepionierd door GNNExplainer (Ying et al., 2019), pakt de black-box kritiek op GNN's aan en is essentieel waar grafiek-gebaseerde voorspellingen moeten worden vertrouwd of gecontroleerd.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/nl/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.
- Uitlegbare BERT-gebaseerde ClassificatieDeep learning↔ compare
- Uitlegbare TransformerDeep learning↔ compare
- Graaf Neuraal NetwerkNetwerkanalyse↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →