返回
GECo: a community-based graph neural network explainer
DOI:10.1007/s00607-026-01642-z.png)
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
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
IF:
2.8
论文数:
2.3K
被引数:
3.5K

