研究人员开发了一种新方法来提高图神经网络(GNN)的可解释性。现有方法在用于训练的图与用于解释的图之间存在分布偏移,导致结果不可靠。所提出的方法训练了一个鲁棒的代理模型,为原始模型的解释提供了一个忠实的代理。这是通过一种迭代重加权策略实现的,该策略在保持软掩码松弛有效性的同时优化解释,并在各种数据集和GNN骨干网上展示了解释质量的一致性改进。 AI
影响 提高了GNN模型的可解释性,可能增加在关键应用中的信任度和采用率。
排序理由 该集群包含一篇详细介绍图神经网络新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- graph neural networks
- Hugging Face
- IArxiv Recommender
- Influence Flower
- ScienceCast
- Zhuomin Chen
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →