新框架统一图神经网络可解释性评估

研究人员开发了一个统一的、定量的框架来评估图神经网络（GNN）的可解释性，解决了该领域缺乏一致性实践和指导的问题。这个名为 G-XAI 的新框架为图数据正式定义了表格可解释性指标，能够独立评估拓扑结构和节点特征。利用该框架进行的大规模基准测试研究，识别出了在各种指标和任务中表现一致良好的解释器，同时也证实了没有一个解释器是普遍最优的。研究结果被汇编成可用性指南，以帮助机器学习从业者部署值得信赖的 GNN 管道。 AI

影响 提供了一种标准化方法来评估 GNN 的可解释性，有望提高 GNN 模型在实践中的可信度和采用率。

排序理由 该条目是一篇学术论文，介绍了一种用于 GNN 可解释性的新评估框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• GNN Explainability
• Gotit.pub
• Graph Neural Networks
• G-XAI
• Hugging Face
• IArxiv
• Influence Flower
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →