研究人员开发并比较了三种可解释人工智能（XAI）方法——GNNExplainer、GNNShap 和 GradCAM——以理解在大型强子对撞机喷注鉴别中使用的图神经网络的预测。该研究将这些XAI技术应用于Lund平面表示，该表示将部分子分裂映射到图节点。通过引入一个物理信息评估框架，该研究量化了不同能量区域下解释质量的变化，并评估了AI分配的重要性与已建立的喷注子结构可观测值之间的相关性。 AI
影响 提供了在って高能物理学中解释复杂AI模型的方法，可能有助于加深对学习特征的理解。
排序理由 学术论文，展示了在特定物理学应用中图神经网络可解释性方法的比较研究。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.25885v1 Announce Type: cross Abstract: Graph neural networks such as ParticleNet and transformer based networks on point clouds such as ParticleTransformer achieve state-of-the-art performance on jet tagging benchmarks at the Large Hadron Collider, yet the physical rea…
Graph neural networks such as ParticleNet and transformer based networks on point clouds such as ParticleTransformer achieve state-of-the-art performance on jet tagging benchmarks at the Large Hadron Collider, yet the physical reasoning behind their predictions remains opaque. We…