Förklarbara grafneurala nätverk
Förklarbara grafneurala nätverk (XAI-GNN) kombinerar standard GNN-arkitekturer med post-hoc- eller intrinsiska förklaringstekniker som avslöjar vilka noder, kanter och nodeegenskaper som drev en modells prediktion. Fältet, som banades väg av GNNExplainer (Ying et al., 2019), adresserar kritiken av GNN:er som "svarta lådor" och är avgörande där grafbaserade prediktioner måste litas på eller granskas.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/sv/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.
- Förklaringsbar BERT-baserad klassificeringDjupinlärning↔ compare
- Förklarbar TransformerDjupinlärning↔ compare
- GrafneuralnätverkNätverksanalys↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →