登入
洞見 - 圖神經網路可解釋性
圖神經網路的忠實解釋
本文提出了一種名為忠實圖注意力解釋 (FGAI) 的新方法，旨在解決基於注意力的圖神經網路 (GNN) 解釋性不穩定問題，並通過增強穩定性、保持解釋性和預測性能，提高圖注意力網路的可靠性和可信度。
圖神經網路可解釋性遭受質疑：對抗性攻擊揭露其脆弱性
現有的圖神經網路 (GNN) 解釋方法容易受到對抗性擾動的影響，即使是很小的、不影響模型預測的圖結構擾動，也可能導致解釋結果發生顯著變化，這引發了人們對其可靠性和實用性的擔憂。
利用大型語言模型解釋圖神經網路：從反事實角度預測分子特性
本文提出了一種新穎的框架 LLM-GCE，利用大型語言模型 (LLM) 的推理能力和領域知識來生成更真實、更易於理解的圖反事實解釋，以提高圖神經網路 (GNN) 在分子特性預測方面的透明度和可靠性。
TAGExplainer：為文本屬性圖學習模型生成自然語言解釋
本文提出了一種名為 TAGExplainer 的新方法，該方法可以為文本屬性圖學習模型生成自然語言解釋，從而提高模型的可解釋性和人類對其決策過程的理解。
