
Diese Studie bietet eine umfassende Bewertung und einen Vergleich einer Vielzahl von Erklärungsmethoden für Graph-Neuronale-Netze, um deren Leistungsfähigkeit, Stabilität und Praxistauglichkeit zu untersuchen.


coremsg

systematische-bewertung-der-leistungsfähigkeit-und-stabilität-von-erklärungsmethoden-für-graph-neuronale-netze


Systematische Bewertung der Leistungsfähigkeit und Stabilität von Erklärungsmethoden für Graph-Neuronale-Netze


title_rewrite


Eine informationstheoretische Definition von Erklärbarkeit wird eingeführt und es wird gezeigt, dass gängige Treue-Metriken oft nicht mit dieser Definition übereinstimmen. Eine robuste Klasse von Treue-Maßen wird vorgestellt, die resistent gegen Verteilungsverschiebungen sind und in einer Vielzahl von Szenarien anwendbar sind.


robuste-treue-zur-bewertung-der-erklärbarkeit-von-graph-neuronalen-netzen


Robuste Treue zur Bewertung der Erklärbarkeit von Graph-Neuronalen-Netzen
