Parameterized Explainer for Graph Neural Network

最新推荐文章于 2023-07-14 23:00:00 发布
最新推荐文章于 2023-07-14 23:00:00 发布
阅读量370 收藏
点赞数
文章标签： 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/feijianguoer/article/details/129692048
版权
PGExplainer是一个针对GraphNeuralNetwork(GNN)的参数化解释器，旨在解决单个实例解释的局限性，提供对GNN模型的全局洞察。它通过深度学习方法参数化解释过程，从而能够同时解释多个实例，提高了解释的通用性和效率。
摘要由CSDN通过智能技术生成

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。

feijianguoer
关注
PGM-Explainer
笔记|思路|总结
03-15 684
PGM-Explainer建立了一个概率图模型，为GNN提供实例级解释。 论文标题：PGM-Explainer: Probabilistic Graphical Model Explanations for Graph Neural Networks 论文地址：2010.05788.pdf (arxiv.org) 实验 本节提供了我们的实验，比较了PGM-Explainer与现有GNN解释方法的性能，包括GNNExplainer[24]和我们将Shapley Additive Explai
[NIPS2020] 参数化的 GNN 解释器
weixin_45519842的博客
03-30 780
今天解读的论文发表于NeurIPS 2020，通过学习一个参数化的解释器对 GNN 的预测行为加以解释，其参数化的学习过程大大优化了解释器的性能和效率，为我们打开 GNN 这个黑箱模型再次...
[万字长文] 图神经网络的解释性综述
weixin_45519842的博客
03-20 1560
图神经网络的可解释性是目前比较值得探索的方向，今天解读的2021最新综述，其针对近期提出的 GNN 解释技术进行了系统的总结和分析，归纳对比了该问题的解决思路。作者还为GNN解释性问题提供...
【图神经网络】用PyG实现图机器学习的可解释性
小哲的博客
06-12 2492
在本博客文章中，我们将逐步介绍可解释性模块，详细说明框架的每个组件如何工作以及其作用。随后，我们将介绍各种解释评估方法和合成基准数据集，这些方法与数据集相辅相成，确保您为当前任务生成最佳的解释结果。接下来，我们将介绍一些可立即使用的可视化方法。最后，我们将详细介绍在PyG中实现自己的解释方法所需的步骤，并强调异构图和链接预测解释等高级用例的工作。
【可解释学习】PyG可解释学习模块torch_geometric.explain
小哲的博客
07-14 1674
torch_geometric.explain是PyTorch Geometric库中的一个模块，用于解释和可视化图神经网络（GNN）模型的预测结果。它提供了一些方法来解释模型的预测结果、边权重和节点重要性。 主要内容有：Philoshopy（哲学思想）、Explainer（解释器）、Explanations（解释）、Explainer Algorithm（解释器算法）、Explanation Metrics(解释度量)
标准图数据
weixin_42358688的博客
06-23 2136
探究图网络可解释性用到的公共数据集
Explainability in Graph Neural Networks:A Taxonomic Survey 图可解释
m0_37525990的博客
03-22 4307
typora-root-url: img Explainability in Graph Neural Networks:A Taxonomic Survey 可解释GNN的分类和数据集(句子==>图数据集) 对于 GNN 解释性方法，既没有一个统一的处理方法，也没有一个标准的基准测试和测试平台 首先,与图像和文本不同，图不是网格状的数据，这意味着没有局部信息，这意味着没有局部信息，每个节点有不同数量的邻居。没有位置信息,只有拓扑信息,且分布不均匀 图包含了重要的拓扑信息，并被表示为特征矩阵和邻接.
PACT: PARAMETERIZED CLIPPING ACTIVATION FOR QUANTIZED NEURAL NETWORKS
JachinMa的博客
01-17 1478
本文的主要贡献有三点： 1、提出了pact方法，它给激活函数设定了一个可学习的α截断参数。 2、在2bit以下，它的效果比所有当时的模型都好；4bit的精度接近单精度的表现。 3、它可以提供一种平衡模型精度和复杂度的方法。 量化权重相当于是将权重的损失函数的假设空间离散化，因此可以通过训练来弥补由量化导致的误差，但传统的激活函数却并没有任何可训练参数，因此不能这样做。 ReLU已经成为现在最为流行...
【论文】Graph Neural Networks: A Review of Methods and Applications
安静
02-25 895
Graph Neural Networks: A Review of Methods and Applications1 Introduction2 Models2.1 Graph Neural Networks2.2 Variants of Graph Neural Networks2.3 General Frameworks3 Applications3.1 Structural Scenar...
CondConv: Conditionally Parameterized Convolutions for Efficient Inference
m0_47180208的博客
07-07 1338
用于有效推断的条件参数化卷积摘要引言相关工作条件参数化卷积结论 文章与代码 摘要 卷积层是现代深度神经网络的基本构件之一。一个基本假设是，卷积核应该为数据集中的所有示例共享。我们提出了条件参数化卷积，它为每个例子学习专门的卷积核。用CondConv替换正常卷积使我们能够增加网络的大小和容量，同时保持高效的推断。我们证明，在分类和检测任务上，使用CondConv缩放网络可以改善几种现有卷积神经网络架构的性能和推断成本权衡。 引言 我们提出了条件参数化卷积，通过计算卷积核作为输入的函数来挑战静态卷积核的范式。
ubuntu+python2。7下配置scikit-neuralnetwork
u014681246的博客
08-02 474
如何在ubuntu系统下配置神经网络学习包scikit-neuralnetwork 需要安装以下包 numpy，scipy，theano,pylearn2 1:安装numpy，scipy，theano 安装pip工具：sudo apt install python-pip 安装以下包：sudo apt install python2.7-dev                     
人工智能辅助药物发现(8)可解释性
白景屹的博客
02-09 654
AIDD：XAI与药物发现
Generative Causal Explanations for Graph Neural Networks
yanhu6955的博客
10-18 1717
Generative Causal Explanations for Graph Neural Networks 1 Introduction  该文献提出一种模型不可知算法Gem，适用于各种图学习任务中为任何的GNN提供可解释性。Gem是一种基于格兰杰因果关系带有损失函数的因果解释模型，其将为GNN作出的决策进行解释看作一种因果学习任务。Gem不仅不要求对GNN的内部结构即非嵌入，而且具有很好的泛化性。Gem是属于一个统一的加性特征归因方法。 2 Methodology 2.1 Granger c
最近看过的相关可解释性的论文（持续更新...）
pixian3729的博客
11-30 711
文章目录最近看过的相关可解释性的论文1. TabNet: Atentive Interpretable Tabular Learning 最近看过的相关可解释性的论文 1. TabNet: Atentive Interpretable Tabular Learning 解决的问题 基于树的方法能够有很好的解释性，但是需要大量的特征工程，以及精度不够高 基于DNN的方法能够有效编码各种格式数据，无需大量特征工程，且能够准确鲁棒地对数据进行处理，能否设计兼顾两者的DNN 想法/创新： 提出了一种基于表格的
GNNExplainer: Generating Explanations for Graph Neural Networks 个人总结
vincent_x3的博客
04-27 3375
GNNExplainer: Generating Explanations for Graph Neural Networks 个人总结 写在前面：为方便阅读，尽量使用中文总结，对于翻译无把握或专有词汇，在中文后附上原文字段。此外，水平有限，对文章理解有偏差部分恳请大家海涵, 指正。 0. 原作信息 @inproceedings{ying2019gnnexplainer, title={G...
图的可解释性优质论文合集
AI_Conf的博客
10-29 584
Explainability：研究图的可解释性。图结构数据本身能够将不同的Entity链接在一起，天然具备较强的解释潜力。早期的图模型主要基于meta-path来做一些可解释性，近年来也有关于诸多GNN做可解释性的文章，值得一读。 小编整理了近期该领域的优质论文，现分享给大家~ 1.论文名称：Explainability in Graph Neural Networks: A Taxonomic Survey 链接：https://www.aminer.cn/pub/5fef130291e0113b265a
神经网络代码解读_NeurIPS2020上图神经网络好文
weixin_35427210的博客
01-07 3123
今年的Neurips正在进行，图神经网络也是今年的一大热点，这里总结一下GNN的文章，贴个链接和概述备忘，如果有错误的或者遗漏的文章请大家一定指出来。整理不易，点个赞呗再走呗，欢迎关注我们的新专栏图神经网络实战，里面会更新一些图神经网络代码解读和最新的进展。如果大家有什么需要分享的，也欢迎投稿本专栏，感激不尽。GNN的测试：Design Space for Graph Neural Network...
几种图神经网络方法总结（Graph Neural Network）
热门推荐
图灵是我
03-08 7万+
概要 今年来图神经网络受到大家越来越多的关注，在文本分类(Text classification)，序列标注（Sequence labeling）, 神经机器翻译（Neural machine translation）,关系抽取（Relation extraction），事件抽取（Event extraction）, 图像分类（Image Classification），视觉推理（Visual R...
parameterized
最新发布
07-31
在编程和数学领域，"parameterized"这个词通常指的是一个函数、算法或数据结构的设计允许外部输入称为参数的值。参数化设计提供了一种通用的方法，使得同一种解决方案可以根据不同的参数实例适应多种情况。例如： 1. **算法**：一些排序算法（如归并排序或快速排序）可能会接受元素的数量作为参数，以便优化其运行时间和空间复杂度。 2. **数据结构**：哈希表或二叉搜索树的大小、负载因子等属性经常是可配置的参数，以满足不同的使用需求。 3. **代码模板**：在某些编程语言中（如C++的模板），函数或类可以接受不同类型或数量的参数，创建出一系列相关的实现。 通过参数化，程序员可以在保持代码复用性和模块化的同时，针对特定应用做出调整，提高了代码的灵活性和效率。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值