PGExplainer
PulseAugur coverage of PGExplainer — every cluster mentioning PGExplainer across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
WOMBAT基准测试在分子数据上测试GNN解释器
研究人员开发了WOMBAT，这是一个新的基准测试，旨在测试图神经网络（GNN）可解释性工具在应用于分子数据时的准确性。WOMBAT包含14个具有手动定义的决策规则的GNN，允许进行地面真实归因分析。该基准测试已在数百万个PubChem分子上进行了验证，并用于评估GNNExplainer、PGExplainer和Integrated Gradients等现有解释器，揭示了特定的失效模式。
-
图学习框架解决了Transformer电路定位问题
研究人员推出了一种名为图电路学习（GCL）的新型框架，该框架将Transformer模型中的电路定位视为一个图机器学习问题。该方法跨多个模型-任务对训练图神经网络（GNN），以识别负责特定行为的稀疏子图。在评估中，GCL配置在基准数据集上实现了0.902的中位数边AUROC，显示了这种电路定位视角的前景。
-
新的GNN方法提高了多站点污染预测的准确性
研究人员开发了一种使用图神经网络（GNN）的新方法，以提高颗粒物（PM）污染预测的准确性。该方法基于通过混淆矩阵识别的类间关系动态构建图，并采用混合损失函数来增强学习稳定性。所提出的GNN模型，特别是GraphSage，在预测PM1、PM10和PM2.5浓度方面表现优于传统的机器学习和深度学习技术。该研究还纳入了GNNExplainer和PGExplainer等可解释性工具，以确保模型的透明度。
-
新的ORACAL框架提升智能合约漏洞检测能力
研究人员开发了ORACAL，一个旨在增强智能合约漏洞检测能力的新型多模态框架。该框架整合了控制流图、数据流图和调用图等多种图表示，并通过LLM和RAG的安全上下文进行丰富。ORACAL利用因果注意力机制和PGExplainer实现透明度，在基准数据集上取得了最先进的性能，并证明了其对抗对抗性攻击的鲁棒性。