Explainable Graph Neural Network
Explainable Graph Neural Networks (XAI-GNN) combine standard GNN architectures with post-hoc or intrinsic explanation techniques that reveal which nodes, edges, and node features drove a model's prediction. Pioneered by GNNExplainer (Ying et al., 2019), the field addresses the black-box critique of GNNs and is essential wherever graph-based predictions must be trusted or audited.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
- 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. · URL
- 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
Gecureerde claims
Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.
Deze weergave verzint geen claimbeoordeling als het register er geen heeft.
Gerelateerde methoden
Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.