PulseAugur
中
实时 12:03:08
English(EN) NICE: Scale-Stable Perturbations for Graph Neural Network Explanations via Noise Corruption

NICE框架为图神经网络提供尺度稳定的解释

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的图神经网络（GNN）解释生成框架NICE。NICE解决了“尺度漂移”问题，这种现象是由于元素级掩蔽等标准扰动方法导致消息传递尺度确定性收缩，从而导致预测不可靠。NICE利用噪声腐蚀（NC）作为一种尺度稳定的替代方案，保持了预期的消息范数。该框架还结合了随机恢复边界（SRB）和边界集成梯度（BIG），以产生更忠实和紧凑的边归因。 AI

影响 引入了一种更可靠的理解GNN决策制定的方法，有可能提高使用图结构的AI应用的信任度和调试能力。

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]

在 arXiv cs.AI 阅读 →

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

NICE框架为图神经网络提供尺度稳定的解释

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Ziluowen Luo, Jun Yin, Ruochen Liu, Ming Cheng, Shirui Pan, Chengqi Zhang, Senzhang Wang ·

    NICE：通过噪声腐蚀实现图神经网络解释的尺度稳定扰动

    arXiv:2608.16038v1 Announce Type: cross Abstract: Post-hoc Graph Neural Network (GNN) explainers commonly follow a Perturb-Query paradigm, inferring the importance of graph elements based on queried predictions to perturbed inputs. However, such perturbations often introduce subs…

相关实体

相关话题