研究人员发现，在评估图神经网络（GNN）解释时存在一个关键的歧义，特别是在“删除保真度”的概念上。该指标通常涉及移除排名靠前的边以评估对模型输出的影响，但“删除边”这一行为可以从两个不同的角度来解释：结构删除，它改变了图的整体结构；以及消息抑制，它阻止了边的消息传递而不改变图的上下文。研究发现，这两种干预只有在特定条件下才会重合，例如具有边集无关系数的加性消息传递。当不满足这些条件时，干预的选择会显著影响边归因的评估，从而导致对其保真度的不同结论。 AI
影响 阐明了评估GNN解释中的一个基本歧义，可能导致更强大、更可靠的模型解释方法。
排序理由 学术论文，详细介绍了关于GNN解释评估方法的新发现。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
