- 博客(5)
- 收藏
- 关注
RSS订阅原创 学习总结---深度学习
创建学习参数：采用函数提供以随机值初始化的张量，网络 通过优化这些参数来解决问题。损失函数：SSE和方差、MSE均方差、交叉熵损失。准备数据：采用函数准备输入和输出的张量（数组。网络模型：根据实际情况为数据如数据生成输出。非线性函数：sgmoid。线性函数： y=wx+b。优化器：Adam、SGD。
2023-11-11 13:04:45
67
原创 GLOBAL EXPLAINABILITY OF GNNS VIA LOGIC COMBINATION OF LEARNED CONCEPTS基于学习概念逻辑组合的GNNS全局解释--ICLR2023
GLGExplainer是一种用于提取GNN全局解释的方法。它通过将局部解释嵌入到低维空间中，并使用逻辑组合的方式来生成全局解释。这种方法可以帮助我们理解GNN在图数据上的决策过程。
2023-11-01 15:18:55
119
1
原创 Reinforcement Learning Enhanced Explainer for Graph Neural Networks强化学习增强的图神经网络解释器
图神经网络（GNN）最近已经成为图上机器学习任务的革命性技术。在GNN中，图结构通常通过消息传递方案与节点表示相结合，这使得解释更具挑战性。给定经训练的GNN模型，GNN解释器旨在识别最有影响力的子图以解释实例的预测（例如，节点或图），其本质上是图上的组合优化问题。现有的作品解决这个问题的连续松弛或基于搜索的启发式。但它们存在一些关键问题，如违反消息传递和手工制作的启发式，导致较差的可解释性。
2023-04-07 16:35:14
397
1
原创 Reinforced Causal Explainer for Graph Neural Networks 图神经网络的增强因果解释器
考虑到SA的解释，与单个的N-C键相比，它与碳-碳的结合（C=C）键没有带来关于模型预测的独特信息，因为仅实现了预测准确性的边际改进。这是至关重要的，以指定的边缘，是似是而非的因果关系的模型结果，而不是与结果无关或虚假相关的边缘[21]，[22]。类梯度信号w.r.t.图结构[13]，[14]，[15]：例如，SA [13]采用GNN的损失w.r.t.邻接矩阵作为边得分，而Grad-CAM [14]在GNN上扩展。我们在三个数据集上进行了广泛的实验，显示了我们的RC解释器w.r. t的有效性。
2023-03-22 16:45:11
520
原创 Parameterized Explainer for Graph Neural Network
目的动机：目前生成的解释是为每个实例单独设计的，不足以提供对所学 GNN 模型的全局理解，导致其缺乏通用性，提出了 GNN 的参数化解释器 PGExplainer。问题定义：PGExplainer 利用深度神经网络对解释的生成过程进行参数化处理，能够实现同时对多个实例进行解释。
2023-03-21 17:17:37
370
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人