GNNExplainer

可解释性研究（四）-GNNExplainer的内部实现

GNNExplainer实现GNNExplainer.forwardExplainerBase.set_maskGNNExplainer.gnn_explainer_algtorch_geometric.nnGNNExplainer
I still …·2023-07-16 21:59

图神经网络的可解释性方法介绍和GNNExplainer解释预测的代码示例

深度学习模型的可解释性为其预测提供了人类可以理解的推理。如果不解释预测背后的原因，深度学习算法就像黑匣子，对于一些场景说是无法被信任的。不提供预测的原因也会阻止深度学习算法在涉及跨域公平、隐私和安全的关键应用程序中使用。深度学习模型的可解释性有助于增加对模型预测的信任，提高模型对与公平、隐私和其他安全挑战相关的关键决策应用程序的透明度，并且可以让我们了解网络特征，以便在将模型部署到现实世界之前识别
·2023-06-21 00:21

21CIKM：Understanding Event Predictions via Contextualized Multilevel Feature Learning论文笔记

其解释方法实质上与GNNExplainer一致。
ZEBRONE·2023-01-11 07:47

图网络可解释性（2）

Stanford大佬RexYing的文章：《GNNExplainer:GeneratingExplanationsforGraphNeuralNetworks》摘要传统非图网络的可解释性方法包括两种：第一种是制定简单的替代模型的完整神经网络
欧神仙crossover·2022-11-22 03:20

图神经网络的可解释性方法介绍和GNNExplainer解释预测的代码示例

深度学习模型的可解释性为其预测提供了人类可以理解的推理。如果不解释预测背后的原因，深度学习算法就像黑匣子，对于一些场景说是无法被信任的。不提供预测的原因也会阻止深度学习算法在涉及跨域公平、隐私和安全的关键应用程序中使用。深度学习模型的可解释性有助于增加对模型预测的信任，提高模型对与公平、隐私和其他安全挑战相关的关键决策应用程序的透明度，并且可以让我们了解网络特征，以便在将模型部署到现实世界之前识别
·2022-07-17 11:53

GNNExplainer: Generating Explanations for Graph Neural Networks 个人总结

GNNExplainer:GeneratingExplanationsforGraphNeuralNetworks个人总结写在前面：为方便阅读，尽量使用中文总结，对于翻译无把握或专有词汇，在中文后附上原文字段
vincentx3·2020-08-02 14:33

GNN之NIPS19 GNNExplainer-GNNExplainer: Generating Explanations for Graph Neural Networks

转载纪厚业本文由斯坦福Jure组发表在NeurIPS2019上.一作RexYing也是著名的GraphSAGE的作者.代码和数据https://github.com/RexYing/gnn-model-explainer目录1.Introduction2.Model2.1ExplanationviaStructuralInformation2.2ExplanationviaFeatureInfor
静静和大白·2020-06-24 07:18
上一页 1 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他