โครงข่ายประสาทเทียมแบบกราฟที่อธิบายได้
โครงข่ายประสาทเทียมแบบกราฟที่อธิบายได้ (XAI-GNN) ผสมผสานสถาปัตยกรรม GNN มาตรฐานเข้ากับเทคนิคการอธิบายผลแบบหลังการฝึก (post-hoc) หรือแบบภายใน (intrinsic) ซึ่งจะเปิดเผยว่าโหนด เส้นเชื่อม และคุณลักษณะของโหนดใดที่ขับเคลื่อนการทำนายของแบบจำลอง บุกเบิกโดย GNNExplainer (Ying et al., 2019) สาขานี้กล่าวถึงคำวิจารณ์เกี่ยวกับกล่องดำของ GNN และมีความสำคัญทุกที่ที่การทำนายที่อิงตามกราฟจำเป็นต้องได้รับความไว้วางใจหรือการตรวจสอบ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Graph Neural Network (XAI-GNN). ScholarGate. https://scholargate.app/th/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.
- การจำแนกประเภทโดยใช้ BERT ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- ทรานส์ฟอร์มเมอร์ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- Graph Neural Networkการวิเคราะห์เครือข่าย↔ compare