Fineven_-CSDN博客

原创论文阅读_distill ‘n explain

在图神经网络中解释节点预测通常归结为找到保留预测的图子结构。找到这些结构通常意味着通过GNN反向传播，将GNN的复杂性 (例如，层数) 与解释它的成本相结合。这自然引出了一个问题: 我们可以通过解释一个更简单的代理GNN来打破这种联系吗？为了回答这个问题，我们提出了Distill n’ Explain(DnX)。首先，DnX通过知识蒸馏学习一个GNN代理。然后，DnX通过求解一个简单的凸程序来提取节点级或边级解释。我们还提出了FastDnX，一个更快的DnX版本，利用我们的代理模型的线性分解。

2023-07-03 15:01:36 132 1

原创论文阅读_Motif-Backdoor:Rethinking the Backdoor Attack on Graph Neural Networks via Motifs

motif指的是图中值具有反复出现和统计意义的子图，包含了丰富的结构信息。本文中从基序的角度重新思考了后门攻击，提出了基于基序的后门攻击。

2023-01-04 15:24:36 392 4

原创论文阅读_Robust Counterfactual Explanations on Graph Neural Networks

在本文中，我们提出了一种新颖的方法，通过在相似的输入图上对 GNN 的通用决策逻辑进行显式建模，来生成对 GNN 的鲁棒反事实解释。解释具有鲁棒性，因为是从控制许多类似输入图的预测的 GNN 的公共决策边界产生的；是反事实的，从输入图中删除具有解释的标识的边集会显著改变预测结果。

2022-11-11 14:16:19 649 1

原创论文阅读_XGNN: Towards Model-Level Explanations of Graph Neural Networks

GNN大多时候是一个黑匣子，缺乏人类可理解的解释。如果无法解释GNN模型，在很多场景下是不可应用的。XGNN在模型级别解释GNN，可以提供高层次和一般性的理解。。如果将图生成表示为一个强化学习的任务，对于每个步骤，图生成器都会预测如何将边添加到当前图中。基于训练后的GNN信息，通过策略梯度训练图生成器。此外，我们还加入了一些图规则，以保证生成的图是有效的。实验结果表明，所生成的图可以为如何改进训练的神经网络提供指导。

2022-10-17 09:45:33 905 1

原创论文阅读_(GIN)How Powerful are Graph Neural Networks

1. 表明 GNN 在区分图结构方面最多与 WL 测试一样强大。2. 建立了邻居聚合和图读出函数的条件，在这些条件下生成的 GNN 与 WL 测试一样强大。3. 识别出流行的 GNN 变体无法区分的图结构，例如GCN和GraphSAGE，并且我们精确地表征了图结构的种类，例如基于GNN的模型可以捕捉。4. 提出图同构网络（GIN），并表明它的判别/表示能力等于 WL test的能力。

2022-09-09 21:57:44 1003

翻译论文阅读_GraphSAGE

GraphSAGE是2017年提出的一种图神经网络算法，解决了GCN网络的局限性: GCN训练时需要用到整个图的邻接矩阵，依赖于具体的图结构，一般只能用在直推式学习(Transductive Learning)。GraphSAGE使用多层聚合函数，每一层聚合函数会将节点及其邻居的信息聚合在一起得到下一层的特征向量，GraphSAGE采用了节点的邻域信息，不依赖于全局的图结构。

2022-09-05 22:21:47 358

原创 localStorage和sessionStorage

他们都是存储客户端临时信息的对象，只能存储字符串类型的对象,存放数据大小一般为5MB。，不同浏览器无法共享他们的信息，但相同浏览器的不同页面可以共享相同的localStorage(页面属于相同域名和端口)，不同的页面或标签无法共享sessionStorage的信息。localStorage(本地存储)localStorage生命周期是永久，如果不清除这些信息将永远存在。方法// 存储localStorage.setItem(id, string);// 取localStorage.getIte

2020-09-29 10:39:17 307

Paranoid_99的博客