PGM-Explainer实验总结

已于 2022-03-17 19:39:49 修改
阅读量1.1w 收藏
点赞数 1
分类专栏： GNN 文章标签： 计算机视觉 深度学习 机器学习
于 2022-03-15 10:06:54 首次发布
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/m0_56510407/article/details/123495378
版权

PGM-Explainer建立了一个概率图模型，为GNN提供实例级解释。

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基础图和一组 motifs 的组合。

ground-truth：与被预测节点处于同一 motif 中的节点。

由于ground-truth的解释是清楚的，我们使用准确度作为评估标准

真实数据集的节点分类

与其他解释器做对比实验

使用比特币账户数据集。

解释中未对目标进行评级或对目标进行负面评级的任何帐户都将被视为“错误帐户”。

基于精度而不是准确性来评估解释，解释的精确度是通过将“没有错误的帐户”除以该解释中的帐户总数来计算的。

真实数据集的图分类

与其他解释器做对比实验

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
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
PGM-Explainer
笔记|思路|总结
03-15 651
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
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。
[万字长文] 图神经网络的解释性综述
weixin_45519842的博客
03-20 1496
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 2317
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。
神经网络代码解读_NeurIPS2020上图神经网络好文
weixin_35427210的博客
01-07 3091
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...
【PGM】Probabilistic Graphical Model 学习笔记
weixin_34361881的博客
06-04 312
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...
PGM-Editor:PGM编辑器
03-17
PGM-Editor是一款基于Java开发的图形编辑器，专门用于编辑PGM（Portable Graymap）格式的图像文件。PGM是一种简单的灰度图像文件格式，它以纯文本方式存储图像数据，可以被许多图像处理软件支持。PGM-Editor旨在提供...
Pgm-parse.zip
04-08
总结来说，解析和显示PGM图片在JavaScript中是一个涉及文件读取、字符串解析、Canvas操作和可能的用户交互的过程。这个过程不仅需要理解PGM格式，还需要掌握JavaScript的文件操作API、正则表达式以及Canvas绘图技术...
snakeMonster_PGM-David
02-15
在压缩包文件名称“snakeMonster_PGM-David-new_branch”中，“new_branch”可能表示这是一个项目的新分支，意味着它可能包含了与主分支不同的改进、实验性功能或修复。在版本控制中，创建分支是为了在不影响主线...
say-hello-pgm-lucaheym:GitHub Classroom创建的say-hello-pgm-lucaheym
04-19
说你好-pgm-lucaheym
【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.
图神经网络解释性问题综述
笔记|思路|总结
03-15 3081
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
DGL官方教程--API--dgl.data
Minions的博客
03-30 6919
参考：https://docs.dgl.ai/en/latest/api/python/data.html#stanford-sentiment-treebank-dataset PS：还没看完 dgl.data 实用工具 utils.get_download_dir() 获取下载目录的绝对路径。 utils.download(url[,path,overwrite,...
概率图模型的学习——Probabilistic Graphical Model
Mr_pan
05-17 1974
**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
12-04 781
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...
PyG利用GCN实现MNIST图像分类：方式一
CSDN 精品推荐
02-09 2244
本专栏内包含基于GNN的项目实战案例（PyG实现），以及研究多年遇到的问题和一些总结与注意事项，理论与实践相结合，每一个代码实例都附带有完整的代码。
EvolveGCN:动态图的参数演化图卷积网络 AAAI2020
goto_past的博客
11-04 8098
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs 论文链接. Abstract 由于深度学习在欧几里得数据中的广泛应用，图表示学习重新成为一个趋势，它激发了非欧几里得领域(尤其是网络图)神经网络的各种创造性设计。随着这些图神经网络(GNN)在静态设置中的成功，我们进一步考虑图动态演化的实际场景。现有的方法通常利用节点嵌入，并使用递归神经网络(一般为 RNN)来调节嵌入和学习时间动态。这些方法需要了解一个节点的全部时间跨度(
深度学习常用公开数据集
01-26 5367
一、inpainting相关算法 1、Place2数据集。Places365-Standard 180万张，365个类别，用于训练，每个类别50张用于验证，900张用于测试。有高分别率和低分辨率256x256。 Places2: A Large-Scale Database for Scene Understandinghttp://places2.csail.mit.edu/download.html 2、CelebA数据集 CelebFaces Attributes Dataset (Celeb
egm2008-1.pgm表
最新发布
08-25
egm2008-1.pgm是一个特定格式的图像文件。在这个文件中，pgm代表“可移植灰度图像”。它是一种无损压缩的图像格式，主要用于存储灰度图像。 egm2008-1.pgm文件遵循PGM图像的标准规范。PGM图像是一种基于像素的图像格式，只包含灰度信息而不包含颜色信息。每个像素的灰度值在0到255之间，0表示黑色，255表示白色。 egm2008-1.pgm文件是基于ASCII文本格式的，这意味着它可以通过文本编辑器进行读取和修改。可以用数字表示每个像素的灰度值，并以空格或换行符分隔每个像素。 egm2008-1.pgm文件可以被各种图像处理软件打开和编辑。这些软件可以读取pgm格式文件，显示图像并允许用户进行各种操作，如调整对比度、亮度、大小和滤镜效果等。此外，还可以将pgm格式文件转换为其他图像格式，如JPEG或PNG，以便在其他设备上使用。 总之，egm2008-1.pgm是一个以ASCII文本格式存储的灰度图像文件，可以通过各种图像处理软件读取、编辑和转换为其他格式的图像文件。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

熠熠晨曦_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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