研究人员开发了 path_boost，一个新颖的 Python 包，专为图结构数据上的可解释监督学习而设计。该包实现了 PathBoost，一种梯度提升算法，可在图中识别预测性标记路径，比典型的图神经网络提供更高的可解释性。PathBoost 通过根据其预测能力迭代选择和扩展路径来工作，创建一个加性模型，清楚地显示哪些子结构会影响预测。该包与 scikit-learn 兼容，支持自定义基础学习器，并包含自动起始节点选择和变量重要性计算等功能。它已在分子性质预测上进行了演示，并与图神经网络和图核方法进行了基准测试。 AI
影响 为结构化数据分析的图神经网络提供了一个更具可解释性的替代方案。
排序理由 该集群描述了一篇介绍用于图级预测的新型软件包的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
