研究人员推出了一种名为 SeeExplainer 的新颖无参数方法，旨在为图神经网络 (GNN) 提供忠实的解释。与以往经常忽略多条边组合影响的方法不同，SeeExplainer 通过首先将图细化为不相交的颗粒球来捕获这些协同效应。然后，这些颗粒球用于构建结构图，从而通过节点和边扰动更准确地评估边的重要性。在各种图分类数据集上的实验表明，SeeExplainer 的性能优于现有的最先进的解释方法。 AI
影响 这种新方法可以提高 GNN 的可解释性，有助于调试和建立对使用图数据的 AI 系统的信任。
排序理由 该集群包含一篇详细介绍图神经网络新解释方法的论文。[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 →
