arrow
返回

GECo: a community-based graph neural network explainer

delete2026-03-21
delete0
delete
OA
AI
D
Domenico Amato
S
Salvatore Calderaro *
G
Giosuè Lo Bosco
R
Riccardo Rizzo
F
Filippo Vella
DOI:10.1007/s00607-026-01642-zdelete
delete原文链接
delete分享
delete收藏
查看原文
摘要

摘要

En 中文
图神经网络(GNNs)是能够处理复杂数据源及其相互连接关系的强大模型。然而,GNNs的主要缺点之一是其缺乏可解释性,这限制了其在敏感领域的应用。本文提出了一种基于图社区的新方法,用于解决图分类问题的可解释性,称为基于社区的图神经网络解释器(GECo)。考虑到社区是图中节点的一个密集连接的子集,GECo利用了这些子图应在图分类中发挥关键作用的思想。这一假设是合理的,尤其是当我们考虑到消息传递机制时,这是GNNs的基本机制。GECo分析图中社区对分类结果的贡献,构建一个突出显示与图相关的结构的掩码。GECo在六个人工和四个真实世界图数据集上对图卷积网络进行了测试,并与主要的可解释性方法(如PGMExplainer、PGExplainer、GNNExplainer、TAGE和SubgraphX)使用六种不同指标进行了比较。所获得的结果在人工图数据集和大多数真实世界数据集上优于其他方法。此外,GECo比大多数竞争对手更快,因为它不需要使用任何采样过程。
Keyword:
Graph neural networks
Explainability
XAI
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

C
Computing
IF:
2.8
论文数:
2.3K
被引数:
3.5K

机构

I
Institute for High Performance Computing and Networking
学者数:
20
论文数: 12
被引数: 344
M
mathematics and computer science
学者数:
75
论文数: 39
被引数: 0
引用论文

引用论文

err分享
err收藏
Metric Learning in Histopathological Image Classification: Opening the Black Box
errSENSORS
IF3.5
err2023-06-28
err4
errOAAI
errAmato, Domenico; Calderaro, Salvatore; Lo Bosco, Giosue; Rizzo, Riccardo; Vella, Filippo
err分享
err收藏
Evaluating explainability for graph neural networks
err2023-03-18
err0
errOAAI
errChirag Agarwal; Owen Queen; Himabindu Lakkaraju; Marinka Zitnik
err分享
err收藏
err分享
err收藏
Emergence of Scaling in Random Networks
err1999-10-15
err0
errOAAI
errAlbert-László Barabási; Réka Albert
err分享
err收藏
Finding community structure in very large networks
err2004-12-06
err0
errOAAI
errAaron Clauset; M. E. J. Newman; Cristopher Moore
err分享
err收藏
学者 查看更多内容