.png){kind=icon}
返回
X-Node: Self-explanation is All We Need
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06103-4_18.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）通过捕捉数据实例间的结构依赖关系，在计算机视觉和医学图像分类任务中取得了最先进的结果。然而，其决策过程在很大程度上仍然不透明，限制了其在高风险临床应用中的可信度，而可解释性在这些应用中至关重要。现有的GNN可解释性技术通常是事后（post-hoc）和全局性的，对单个节点决策或局部推理的洞察有限。我们提出了X-Node，一种自解释的GNN框架，其中每个节点在预测过程中生成其自身的解释。对于每个节点，我们构造一个结构化上下文向量，编码可解释的线索，如度、中心性、聚类、特征显著性以及其局部拓扑中的标签一致性。一个轻量级的Reasoner模块将此上下文映射到一个紧凑的解释向量，该向量有三个用途：(1) 通过Decoder重建节点的潜在嵌入以强制忠实性；(2) 使用预训练的大语言模型（如Grok或Gemini）生成自然语言解释；(3) 通过文本注入机制指导GNN本身，将解释反馈到消息传递管道中。我们在两个来自MedMNIST和MorphoMNIST的图数据集上评估了X-Node，并将其与GCN、GAT和GIN骨干网络集成。结果表明，X-Node在保持竞争性分类精度的同时，产生了忠实且逐节点的解释。
Keyword:
Graph Neural Network
Graph Topological Measures
Interpretable
Explainable AI
Natural LanguageProcessing
期刊
机构
引用论文
Towards Faithfully Interpretable NLP Systems: How Should We Define and Evaluate Faithfulness?走向可忠实解释的NLP系统: 我们应该如何定义和评估忠诚度？
OAAI
OAAI分享收藏Graph-Based Deep Learning for Medical Diagnosis and Analysis: Past, Present and Future.png)
Sensors
OAAI
SensorsIF0
OAAI分享收藏Disease prediction using graph convolutional networks: Application to Autism Spectrum Disorder and Alzheimer's diseaseMEDICAL IMAGE ANALYSIS
MEDICAL IMAGE ANALYSISIF11.8
PREAI
分享收藏MedMNIST v2 - A large-scale lightweight benchmark for 2D and 3D biomedical image classificationMedMNIST v2-用于2D和3D生物医学图像分类的大规模轻量级基准OAAI
OAAI分享收藏
查看更多内容