Forklarbare grafnevralnett
Forklarbare grafnevralnett (XAI-GNN) kombinerer standard GNN-arkitekturer med post-hoc- eller iboende forklaringsteknikker som avslører hvilke noder, kanter og node-attributter som drev en modells prediksjon. Feltet, pionert av GNNExplainer (Ying et al., 2019), adresserer 'svart boks'-kritikken av GNN-er og er essensielt der grafbaserte prediksjoner må stoles på eller revideres.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/no/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.
- Forklarbar BERT-basert klassifiseringDyp læring↔ compare
- Forklarbar TransformerDyp læring↔ compare
- Graf Neurale NettverkNettverksanalyse↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →