实体
GNNExplainer: Generating Explanations for Graph Neural Networks
GNNExplainer: Generating Explanations for Graph Neural Networks
PulseAugur coverage of GNNExplainer: Generating Explanations for Graph Neural Networks — every cluster mentioning GNNExplainer: Generating Explanations for Graph Neural Networks across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
最近 · 第 1/1 页 · 共 3 条
-
图神经网络解释方法揭示生物网络中的疾病特征
研究人员评估了四种流行的图神经网络（GNN）解释方法，以了解它们在识别生物网络中疾病相关结构方面的有效性。利用合成数据和乳腺癌RNA测序数据，研究发现不同的方法在揭示不同类型的生物信号方面表现出色，例如单节点驱动因素或分布式通路。通过结合多种解释器的共识得分并纳入拓扑信息，研究人员改进了关键癌症基因的优先级排序和生物学相关信号通路的恢复。
-
新攻击可从GNN解释中重构私有图数据
研究人员开发了一种名为PRIVX的新攻击，可以从差分隐私图神经网络（GNN）解释中重构隐藏的图结构。该攻击利用了高斯差分隐私机制，将重构视为一个逆扩散过程。实验表明，即使在通常部署的隐私预算下，PRIVX也能实现高准确率，这表明仅靠差分隐私可能不足以保护敏感的图数据。
-
AI研究人员比较粒子物理学中喷注鉴别方法的可解释性
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。