第六课：GNN的可解释性

最新推荐文章于 2024-06-22 09:30:45 发布
最新推荐文章于 2024-06-22 09:30:45 发布
阅读量571 收藏
点赞数
分类专栏： # 七月在线GNN课程 文章标签： GNN可解释性
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/qq_40199232/article/details/113274691
版权
本课关注图神经网络（GNN）的可解释性，探讨如何通过参数和特征的可视化来理解GNN的工作原理。
摘要由CSDN通过智能技术生成

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
目前CNN的可解释性：

  1. 参数的可视化，如下图
  2. 特征的可视化
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
SimonChenHere
关注
专栏目录
图卷积网络：GNN 简介【01/4】
gongdiwudu的专栏
08-16 5321
图形神经网络（GNN） 代表了深度学习领域最迷人、发展最迅速的架构之一。作为旨在处理结构化为图形的数据的深度学习模型，GNN 带来了非凡的多功能性和强大的学习能力。
[万字长文] 图神经网络的解释性综述
weixin_45519842的博客
03-20 1569
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...
第六课.GNN的可解释性
白景屹的博客
03-21 2232
目录CNN的可解释性深度学习中的可解释性CNN可解释性的研究 CNN的可解释性 深度学习中的可解释性 Interpretability of CNN 即CNN的可解释性，研究者们希望看到CNN每一层所做的事情，截止目前，人们已经逐渐向CNN的可解释研究靠近，但没有完全解决；类似地，自然语言处理的重要模型RNN也存在没有完全解决可解释性的问题；深度学习是基于数据而驱动的，对比传统的算法，往往是基于各种判断条件，再依次执行计算；深度学习可以认为是数据归纳统计的结果，让机器在海量数据中学习分布，以概率形式输出结果
探索深度图神经网络的可解释性：awesome-graph-explainability-papers 项目解析
最新发布
gitblog_00089的博客
06-22 337
探索深度图神经网络的可解释性：awesome-graph-explainability-papers 项目解析 项目地址:https://gitcode.com/flyingdoog/awesome-graph-explainability-papers 在人工智能领域，图神经网络（GNNs）已成为处理复杂非欧几里得数据的强大工具。然而，随着它们的应用日益广泛，理解其决策过程变得至关重要。这就是a...
可解释图神经网络，从模型级解释构建可信赖GNN
06-07
图神经网络通过聚合和结合邻居信息来学习节点特征，在许多图的任务中取得了良好的性能。然而，GNN大多被视为黑盒，缺乏人类可理解的解释。因此，如果不能解释GNN模型，就不能完全信任它们并在某些应用程序域中使用它们。
可解释性研究（一）- GNNExplainer
qq_44370676的博客
04-14 2063
GNNExplainer: Generating Explanationsfor Graph Neural Networks1.问题描述1.1. GNN背景1.2. GNNExplainer:问题描述 最近需要研究代码漏洞相关的可解释性，而许多代码漏洞研究都用到了GNN，因此熟悉GNN有关的可解释性也很有必要。 对GNN进行可解释性研究可以： 提升了GNN的可信程度. 在一些注重公平性,隐私性和安全性的决策应用,可以提升决策的透明度. 可以更好的理解图本身的特性. 作者提出GNNExplainer，这里
【GNN报告】GNN可解释性 & 基于几何与拓扑特性的图学习
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
10-05 3194
GNN上可解释和over-squashing问题解决
"ProtGNN: 内置可解释性的图神经网络
王浩3，mail.ustc.edu.cn，qiliuql@ustc.edu.cncheekonglee@tencent.com摘要尽管最近在图神经网络（GNN）方面取得了进展，但解释GNN所做的预测仍然具有挑战性。现有的解释方法主要集中在事后解释，即采用另一个解释...
基于概念的GNN模型：解释性与性能并重的图神经网络模型
Dobrik GeorgievUniversity of Cambridgedgg30@cam.ac.ukPietro BarbieroUniversity of Cambridgepb737@cam.ac.ukDmitry KazhdanUniversity of Cambridgedk... Under review.+v:mala2255获取更多论文0基于算法概念的可
MSEGCN 基于图神经网络(GNN) 模型：事件模式识别与群体性事件预测
程序员光剑
05-29 73
MSEGCN是一个基于图神经网络(GNN)的模型，它把复杂网络中的节点之间的关系建模成图结构，然后利用图卷积神经网络(GCN)来学习节点表示。GCN是一种深度学习技术，能够处理节点之间复杂的交互关系。但是，在复杂网络中，节点可能互相连接，形成一个具有强烈方向性的网络拓扑结构，GCN会丢失掉这种依赖关系，造成信息损失。
图神经网络的可解释性方法介绍和GNNExplainer解释预测的代码示例
deephub
07-17 4889
深度学习模型的可解释性为其预测提供了人类可以理解的推理。本文将总结图神经网络模型的可解释性方法。
论文浅尝 | KR-GCN: 知识感知推理的可解释推荐系统
开放知识图谱
06-29 1443
论文作者：马婷，中国科学院信息工程研究所直博生动机抽取并利用知识图谱(KG)中的多跳关系路径可以提高推荐系统的性能，并提供可解释性。然而，现有的工作仍面临着两个主要的挑战：用户偏好的错误传播和模型的弱解释性。提取并利用用户物品对之间的所有路径会引入不相关的路径，从而导致用户偏好的错误传播。尽管定义元路径在一定程度上可以缓解错误传播问题并提供一定的解释性，但模型的性能将严重...
详解GCN的性质
qq_44015059的博客
04-21 1523
前言 本文参考 – 深入浅出图神经网络 GNN 原理解析一书 GCN 的性质 GCN 与 CNN 的联系 1. 图像是一种特殊的图数据 在图像中如果将像素视作节点，将像素之间空间坐标的连线作为彼此之间的边，如此图像数据就变成了一种结构非常规则的图数据，CNN 中的卷积计算则是用来出来这类固定的 2D 栅格结构的图数据。相较之下，一般意义下的图数据，往往单个节点附近的邻域结构是千差万别的，数据之间的关系也较为复杂多样，GCN中的卷积计算则是用来处理更普遍的非结构化的图数据。 2.从网络连接方式来看，两者都是局
GCN的性质
weixin_41741485的博客
06-27 232
CNN与GCN的区别与联系： CNN没有显示表达出邻接矩阵；GCN用来处理更普遍的非结构化的图数据。两者都是局部连接。两者核卷积的权重是处处共享的。 GCN能够对图数据进行端到端学习 GCN对表示学习和任务学习一起进行端到端的优化。 GCN是一个低通滤波器 在图的半监督学习任务中，通常会在相应的损失函数 里增加一个正则项，该正则项需要保证相邻节点之间的类别信息趋于一致，一般情况下，我们选择拉普拉斯矩阵的二次型作为正则约束。 ...
分布式设计-扩展性（可伸缩性）
heguangwen8的专栏
05-06 1499
1、性能和可伸缩性 什么是性能问题？ 如果你的系统对于一个用户访问还很慢，那就是性能问题； 什么是可伸缩性问题？ 如果你的系统对一个用户来说是快的，但是在用户不断增长的高访问量下就慢了。 2、伸缩性方案 垂直伸缩: 升级到更强大的服务器（多CPU 昂贵大中型机）。 水平伸缩: 增加更便宜的机器。 3、水平伸缩设计 状态的扩展（存储可伸缩性）：状态是指保存数据的地方，如内存或数据库 无状态的扩展（计...
深度学习之上，图神经网络（GNN ）崛起
蚂蚁金服技术团队
08-13 4060
由于深度学习在可推理和可解释性方面存在比较大的局限性，结合了图计算和深度学习的图神经网络（GNNs）成为近期学术界和工业界研究热度颇高的新方向之一。业界普遍认为，GNN 恰好可以弥补前面提到的深度学习无法解决的两个缺陷。近一年 GNN 在越来越多应用场景上取得了成功，但它也仍面临着许多挑战。 蚂蚁金服在今年的数据挖掘研究领域顶级年会 KDD 2019 上召开了以“图神经网络研究及实际应用”为主题...
图神经网络的可解释性方法介绍和GNNExplainer解释预测的代码示例（附代码）
数据派THU
07-28 1778
来源：DeepHub IMBA 本文约3800字，建议阅读7分钟本文使用pytorch-geometric实现的GNNExplainer作为示例。深度学习模型的可解释性为其预测提供了人类可以理解的推理。如果不解释预测背后的原因，深度学习算法就像黑匣子，对于一些场景说是无法被信任的。不提供预测的原因也会阻止深度学习算法在涉及跨域公平、隐私和安全的关键应用程序中使用。深度学习...
KDD'21 | 如何评估GNN的解释性模型？
weixin_45519842的博客
09-30 432
模型可解释问题一向都是一个玄学问题，主要核心问题在于怎么评估一个好的模型解释器。在以往的工作中，图解释性模型往往是取一个边集合，并且将边集合得到的子图预测结果与真实标签做对比然后算一个ac...
CNN已老，GNN来了：重磅论文讲述深度学习的因果推理（附资源）
热门推荐
THU数据派
06-19 3万+
来源：新智元本文共4263字，建议阅读8分钟。本文讲述了DeepMind联合谷歌大脑、MIT等机构27位作者发表重磅论文，提出“图网络”（Graph network），将...
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

SimonChenHere

打赏奖励，以资鼓励

¥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