เปรียบเทียบวิธี

	โครงข่ายประสาทเทียมแบบกราฟที่อธิบายได้	ทรานส์ฟอร์มเมอร์ที่อธิบายได้
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019	2017–2021
ผู้ริเริ่ม	Ying, Z. et al. (GNNExplainer); broader XAI-GNN field	Vaswani et al. (Transformer); explainability extensions by Chefer et al. and the broader XAI community
ประเภท	Interpretability framework for graph neural networks	Interpretable deep learning model
แหล่งต้นตำรับ	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.	Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.
ชื่อเรียกอื่น	XAI-GNN, GNN explainability, interpretable GNN, explainable GNN	XAI Transformer, Interpretable Transformer, Transparent Transformer, Explainable Attention Model
ที่เกี่ยวข้อง	3	4
สรุป	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.	An Explainable Transformer combines a standard or pre-trained Transformer architecture with post-hoc or built-in interpretability techniques — such as attention rollout, gradient-weighted attention, or SHAP — to reveal which input tokens or regions drove each prediction. The approach bridges high predictive accuracy with the transparency required in high-stakes or regulated domains.