Explainable Graph Neural Network
Wyjaśnialne Grafowe Sieci Neuronowe (XAI-GNN) łączą standardowe architektury GNN z technikami wyjaśniania post-hoc lub wewnętrznymi, które ujawniają, które węzły, krawędzie i cechy węzłów wpłynęły na predykcję modelu. Zapoczątkowana przez GNNExplainer (Ying et al., 2019), dziedzina ta odpowiada na krytykę GNN jako "czarnych skrzynek" i jest niezbędna wszędzie tam, gdzie predykcje oparte na grafach muszą być godne zaufania lub podlegać audytowi.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/pl/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.
- Wyjaśnialna klasyfikacja oparta na BERTUczenie głębokie↔ compare
- Wyjaśnialny TransformerUczenie głębokie↔ compare
- Sieć neuronowa grafowaAnaliza sieci↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →