.png){kind=icon}
返回
Exdiff: a modular and explainable framework combining network simulation and graph neural networks for diffusion modelling
.png){kind=icon}
OA
AI
DOI：10.1007/s13278-025-01556-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解和建模复杂网络中的扩散过程对于跨学科领域至关重要，包括流行病学、社会学和信息科学。尽管取得了显著进展，但现有方法通常难以平衡预测准确性与可解释性，限制了其在现实世界决策中的应用。ExDiff被引入为一个交互式且模块化的计算框架，该框架整合了网络模拟、图神经网络（GNNs）和可解释人工智能（XAI），以同时建模并阐明扩散动态。通过结合经典的隔室模型与深度学习架构，ExDiff能够捕捉异构网络拓扑中扩散的结构和时序特征。该框架包含用于网络分析、神经网络建模、模拟和可解释性的模块。其有效性通过流行病学建模的应用得到验证，包括疾病传播模拟、干预策略评估以及通过XAI技术识别传染的结构驱动因素。该框架可在以下GitHub仓库获取：https://github.com/hguzzi/ExDiff.git。
Keyword:
Network simulation
Diffusion modelling
Graph theory
Explainable artificial intelligence
Stochastic processes
期刊
S
IF:
2.8
论文数:
83
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏分享收藏
查看更多内容