English(EN) Beyond Soft Masks: Hard-Perturbation Mixup Explainer for Robust GNN Explainability

新的 HPME 框架通过硬扰动增强 GNN 可解释性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-05 04:00

研究人员开发了一个名为 HPME 的新框架，以提高图神经网络 (GNN) 的可解释性。现有方法经常遇到“软掩码”问题，这允许无关信息持续存在，从而阻碍解释的准确性。HPME 利用图池化提取离散子图，并采用新颖的混合策略来生成更鲁棒、更具可解释性的解释，在各种数据集上展示了最先进的性能。 AI

影响通过提供更鲁棒、更具可解释性的解释，增强了 GNN 在高风险应用中的可信度。

排序理由该集群包含一篇研究论文，详细介绍了改进图神经网络可解释性的新方法。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jialiang Yin, Zheng Zhao, Linsey Pang, Bo Dong, Bin Shi, Jiaxing Zhang · 2026-06-05 04:00

超越软掩码：硬扰动Mixup解释器助力鲁棒GNN可解释性

arXiv:2606.05756v1 Announce Type: new Abstract: Graph Neural Networks (GNNs) have demonstrated remarkable performance across a range of applications involving graph-structured data, particularly in high-stakes domains. However, the opaque nature of their decision-making processes…