.png){kind=icon}
返回
Self explainable graph convolutional recurrent network for spatio-temporal forecasting
.png){kind=icon}
OA
AI
DOI：10.1007/s10994-024-06725-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）正在改变行业和决策过程，但关于透明度和公平性的担忧有所增加。可解释人工智能（XAI）对于解决这些担忧至关重要，它能够提供AI决策的透明度，减轻偏见的影响并培养信任。然而，将XAI应用于具有时空组件的问题中是一项挑战，因为可选项较少，实施时为了获得可解释性而牺牲了性能。本文提出了自解释图卷积循环网络（SEGCRN），该模型旨在将可解释性整合到架构本身中，以提高推断不同节点之间关系和依赖关系的能力，为作为第二层应用的解释技术提供了一种替代方案。所提出的模型已在不同的数据集中证明，能够在减少预测所需信息量的同时，降低应用解释技术对预测造成的影响，实现了在不损失精度的前提下减少信息使用。因此，SEGCRN被提议作为一种灰盒模型，其行为比黑盒模型更容易理解，并通过结合空间和时序组件的交通数据验证了该模型，取得了有前景的结果。
Keyword:
Graph neural networks
Deep learning
Data analysis
Explainability
Spatio-temporal forecasting
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
.png){kind=icon}
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting时空图卷积网络: 用于交通预测的深度学习框架OAAI
OAAI分享收藏分享收藏
查看更多内容