研究人员开发了一种名为图扩散反事实解释通过反演（GDCE-I）的新方法，用于生成图神经网络（GNNs）的反事实解释。该方法使用离散去噪扩散模型和新颖的反演方案来生成既在数据流形上又探索完整编辑空间中的编辑。GDCE-I旨在提供忠实、充分且可理解的解释，解决了现有方法在数据分布遵循或搜索完整性方面妥协的局限性。在四个基准上的评估表明，GDCE-I表现优越，特别是在分子领域，它能产生可解释的、符合分布的解决方案。 AI
影响 增强了GNNs在关键应用中的可解释性和可信度。
排序理由 该集群包含一篇详细介绍AI模型新解释方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- discrete diffusion inversion
- GDCE-I
- Graph Diffusion Counterfactual Explanation via Inversion
- Graph Neural Networks
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
