PGM-Explainer

已于 2022-03-15 17:42:38 修改
阅读量684 收藏
点赞数 1
分类专栏： GNN 文章标签： 人工智能
于 2022-03-15 10:06:25 首次发布
PGM-Explainer是为图神经网络（GNN）提供实例级解释的一种方法，通过概率图模型揭示特征间的非线性依赖。在与GNNExplainer和基于梯度的解释器的比较实验中，PGM-Explainer表现出更高的准确性和用户满意度。
摘要由CSDN通过智能技术生成

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 Explainer(Shap)[17]扩展到GNN的实现。我们选择Shap来表示基于梯度的方法有两个原因。首先，GNN基于梯度的方法的源代码要么不可用，要么仅限于特定的模型/应用。其次，Shap是一种加性特征属性方法，统一了传统神经网络的解释方法[17]。通过PGM-Explainer和Shap的比较，我们的目的是证明解释特征的线性无关假设在解释GNN预测时的缺陷。我们还证明了基于香草梯度的解释方法和GNNExplainer可以被认为是附录A中的附加特征属性方法。我们的源代码可以在[34]中找到。

数据集和实验设置

合成节点分类任务</

了解本专栏 订阅专栏 解锁全文 超级会员免费看
熠熠晨曦_
关注
专栏目录
订阅专栏
PGM-Explainer实验总结
笔记|思路|总结
03-15 1万+
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) PGM-Explainer实验 实验目的 研究PGM-Explainer的有效性 实验方案 合成数据集的节点分类 与其他解释器做对比实验 使用六个合成数据集。 每个输入图都是一个
ICML'21 | 基于子图结构的GNN解释模型
weixin_45519842的博客
06-02 1440
fig0论文标题：On Explainability of Graph Neural Networks via Subgraph Explorations论文地址：https://arxi...
[NeurIPS2020] 图神经网络的概率图模型解释器
weixin_45519842的博客
04-08 1175
在进入今天的论文解读前，先隆重介绍图与推荐的新人小编，博士萌妹图子，欢迎大家去知乎围观~知乎主页：https://www.zhihu.com/people/tu-zi-82-21今天解读的...
PGMExplainer：为GNN预测生成PGM解释
02-15
PGM解释器 为GNN预测生成PGM解释。 文件夹PGM_Node包含用于节点分类任务的实验代码。 文件夹PGM_Graph包含用于图形分类任务的实验代码。
PGM：概率图模型Graphical Model
皮皮blog
05-21 2万+
http://blog.csdn.net/pipisorry/article/details/51461878概率图模型Graphical Models简介完全通过代数计算来对更加复杂的模型进行建模和求解。然而,我们会发现,使用概率分布的图形表示进行分析很有好处。这种概率分布的图形表示被称为概率图模型( probabilistic graphical models )。这些模型提供了几个有用的性质
[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...
【PGM】Probabilistic Graphical Model 学习笔记
weixin_34361881的博客
06-04 326
http://blog.sina.com.cn/s/blog_461db08c0101jv5j.html 最近在学习Stanford的Daphne Koller讲的Probabilistic Graphical Model的网络课程。整个课程有10周，但我的水平有限，肯定要超过10周了。笔记是根据课程安排的，记录了我觉得重要的地方，和我不明白的地方，以便自己以后快速查看。我会随时根据学习情况更新...
图神经网络解释性问题综述
笔记|思路|总结
03-15 3104
图神经网络的可解释性是目前比较值得探索的方向，这篇综述论文针对近期提出的 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解释性问题提供了标准的图数据集和评估指标，将是这一方向非常值得参考的一篇文章。 论文标题：Explainability in Graph Neural Networks: A Taxonomic Survey 论文地址：https://arxiv.org/pdf/2012.15445.pdf 图神经网络的解释性问题综述 摘要 在这篇论文中，作者对目
Parameterized Explainer for Graph Neural Network
feijianguoer的博客
03-21 370
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。
【图神经网络】用PyG实现图机器学习的可解释性
最新发布
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。
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.
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
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
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...
概率图模型的学习——Probabilistic Graphical Model
Mr_pan
05-17 1998
**一、概括** 对于分类问题 Given variables: **x** (observations) and **y** (predictions) • For example: weather forecast – **x** = {temperature, moisture, pressure, …} – **y**= {sunny, rainy, sto
Stanford概率图模型（Probabilistic Graphical Model）— 第一讲 贝叶斯网络基础
热门推荐
Coding for Dreams
10-13 5万+
概率图模型（Probabilistic Graphical Model）系列来自Stanford公开课Probabilistic Graphical Model中Daphne Koller 老师的讲解。（https://class.coursera.org/pgm-2012-002/class/index）主要内容包括（转载请注明原始出处http://blog.csdn.net/yangliuy）
Inference in Probabilistic Graphical Models by Graph Neural Networks 论文翻译
稀里糊涂林老冷
12-04 793
摘要 对于统计推理和精确决策的最基本的估计就是去计算任务相关变量的边缘概率或者最大可能性状态。概率图模型能够有效的表示这种复杂数据的结构，但是进行推理一般是很困难的。信息传递算法，比如置信传播，是一个自然而然的利用图结构，在相关变量之间传递可信程度的方法，但是这些算法在条件依赖的图包含环路的时候，就不那么好用了。我们在这里使用GNN图卷积神经网络，去学习用来解决推理问题的消息传递算法。我们首先会...
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
评论
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