TPAMI 2024 | 向图神经网络的归纳和高效解释迈进

最新推荐文章于 2024-10-31 14:28:33 发布
最新推荐文章于 2024-10-31 14:28:33 发布
阅读量144 收藏 1
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 神经网络 人工智能 深度学习 TPAMI 顶刊论文 论文解读
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/qq_42722197/article/details/140921817
版权
论文解读 IEEE TPAMI 专栏收录该内容
293 篇文章 21 订阅 ¥49.90 ¥99.00
订阅专栏

题目：Towards Inductive and Efficient Explanations for Graph Neural Networks

向图神经网络的归纳和高效解释迈进

作者：Dongsheng Luo; Tianxiang Zhao; Wei Cheng; Dongkuan Xu; Feng Han; Wenchao Yu; Xiao Liu; Haifeng Chen; Xiang Zhang

摘要

尽管图神经网络（GNNs）近年来取得了进展，解释GNNs的预测仍然是一个具有挑战性且新兴的问题。主要的方法主要考虑局部解释，即重要的子图结构和节点特征，以解释为什么GNN模型会对单个实例（例如节点或图）做出预测。因此，生成的解释在实例级别上是精心定制的。独特的解释独立解释每个实例不足以提供对已学习GNN模型的全局理解，导致缺乏泛化能力，阻碍其在归纳设置中的使用。此外，为每个实例训练解释模型对于大规模现实世界数据集来说是耗时的。在本研究中，我们针对这些关键挑战提出了PGExplainer，这是一种参数化的GNN解释器。PGExplainer采用深度神经网络参数化解释生成过程，这使得PGEx

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
专栏目录
订阅专栏
TPAMI 2024 | 正则化损失与超参数估计在弱监督单类分割中的应用
小白学视觉
07-18 1074
Regularized Loss With Hyperparameter Estimation for Weakly Supervised Single Class Segmentation 正则化损失与超参数估计在弱监督单类分割中的应用 作者：Zongliang Ji; Olga Veksler 摘要 我们提出了一种新的图像级弱监督分割方法，适用于只含有单一感兴趣对象类别的数据集。我们的方法基于经典条件随机场（CRF）建模启发的正则化损失函数。我们的损失模型了通用对象的属性，并用它引导CNN朝向更可能对
论文阅读_XGNN: Towards Model-Level Explanations of Graph Neural Networks
Paranoid_99的博客
10-17 993
GNN大多时候是一个黑匣子，缺乏人类可理解的解释。如果无法解释GNN模型，在很多场景下是不可应用的。XGNN在模型级别解释GNN，可以提供高层次和一般性的理解。。如果将图生成表示为一个强化学习的任务，对于每个步骤，图生成器都会预测如何将边添加到当前图中。基于训练后的GNN信息，通过策略梯度训练图生成器。此外，我们还加入了一些图规则，以保证生成的图是有效的。实验结果表明，所生成的图可以为如何改进训练的神经网络提供指导。
TPAMI 2024 | 何恺明都没有想到！在残差神经网络里面加入扩散机制
小白学视觉
09-08 1086
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达本文转自：AI学术工坊题目：Diffusion Mechanism in Residual Neural Network: Theory and Applications残差神经网络中的扩散机制：理论与应用作者：Tangjun Wang; Zehao Dou; Chenglong Bao; Zuoqiang Shi源码链接：ht...
TPAMI 2024 | 模型真正关注的是什么？：提取面向模型的概念以解释深度神经网络
小白学视觉
07-31 1141
模型可解释性是构建可信AI系统的关键要素之一，特别是在需要可靠性的应用中，例如自动驾驶和诊断。文献中已经研究了许多可解释性方法。在众多方法中，本文专注于一种研究线，尝试通过发现模型学习到的概念来直观解释预训练的图像分类模型，例如卷积神经网络，这被称为基于概念的解释。先前基于概念的解释方法依赖于人类对概念的定义（例如，Broden数据集）或像Slic（简单线性迭代聚类）这样的语义分割技术。然而，我们认为这些方法识别的概念可能更符合人类的视角或被分割方法裁剪，而不是纯粹反映模型自身的视角。
TPAMI 2022 | 利用子图同构计数提升图神经网络的表达能力
Paper weekly
10-28 1132
©作者 |桑士龙来源 | MIND Laboratory论文标题：Improving Graph Neural Network Expressivity via Subgraph Isomorphism Counting论文地址：https://arxiv.org/pdf/2006.09252.pdf论文介绍尽管图神经网络（GNNs）在很多的应用中都取得了很大的成绩，但是最近研究发现 GNNs ...
TPAMI 2024 | 基于GPR和模型空间学习的地下诊断
小白学视觉
07-01 964
地面穿透雷达（GPR）已广泛应用于管道检测和地下诊断。在实际应用中，通常在完全分析获得的GPR数据之前，很少了解被检测区域的GPR数据特征和可能存在的地下异常结构，这导致了自动识别地下结构或异常的挑战。在本文中，提出了一种基于模型空间学习的GPR B扫描图像诊断方法。模型空间学习的思想是使用在数据部分拟合的模型作为数据更稳定和更简洁的表示。对于GPR图像，提出了2方向回声状态网络（2D-ESN），通过下一项预测拟合图像段。
TPAMI 2024 | 全新框架！深度学习可解释度量学习！
07-30 657
在本文中，我们提出了一种新的框架，名为DIML，以实现更可解释的深度度量学习。与传统的深度度量学习方法仅给出两张图像之间的全局相似性不同，DIML通过多个局部部分相似性的加权和来计算整体相似性，使人类更容易理解模型区分两张图像的机制。具体而言，我们提出了一种结构匹配策略，通过计算两张图像的特征图之间的最优匹配流，显式地对齐空间embedding。我们还设计了一种多尺度匹配策略，它考虑了全局和局部相似性，并可以显著降低图像检索应用中的计算成本。
TPAMI 2024 | 单目深度估计：全面综述
小白学视觉
07-24 1101
在计算机视觉领域，对二维图像中深度的估计是一个具有挑战性的主题。这是一个长期被深入研究且定义不明确的问题，一直是密集研究的焦点。本文是对这一主题的深入回顾，呈现了两个方面：一方面考虑人类深度感知的机制，另一方面包括各种深度学习方法。这些方法以紧凑和结构化的方式呈现，概述了主题，并根据近十年的研究线索对方法进行了分类。尽管在这一主题上取得了显著进展，但似乎没有任何与人类深度感知及其潜在益处的联系。
TPAMI 2024 | 通过消除法检测道路障碍物
小白学视觉
07-31 1431
车辆在道路上可能会遇到无数的障碍物，而且事先记录下它们以训练一个检测器是不可能的。相反，我们选择图像块，并使用周围的道路纹理进行填充，这倾向于从这些块中移除障碍物。然后，我们使用一个训练有素的网络来识别原始块和填充后的块之间的差异，这标志着擦除了一个障碍物。
顶刊TPAMI 2024！计算机视觉中基于图神经网络和图Transformers的方法和最新进展
阿木寺的博客
09-12 588
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【Mamba和遥感影像】交流群添加微信号：CVer111，小助手会拉你进群！扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！转载自：机器之心本篇综述工作已被《IEEE 模式分析与机器智能汇刊》（IEEE TPAMI）...
TPAMI 2024 | 跨图像像素对比的语义分割方法
小白学视觉
09-04 596
本文研究了图像语义分割问题。现有方法主要关注于挖掘“局部”上下文，即通过特别设计上下文聚合模块（例如，扩张卷积、神经注意力）或结构感知优化目标（例如，IoU损失）在单个图像内部像素之间的依赖关系。然而，它们忽略了训练数据的“全局”上下文，即不同图像中像素之间丰富的语义关系。受到无监督对比表示学习最新进展的启发，我们提出了一种像素级对比算法，称为PiCo，用于完全监督学习环境中的语义分割。核心思想是强制同一语义类别的像素嵌入比不同类别的嵌入更相似。
TPAMI 2024 | FlowX: 通过消息流实现可解释的图神经网络
小白学视觉
08-05 236
题目：FlowX: Towards Explainable Graph Neural Networks via Message Flows FlowX: 通过消息流实现可解释的图神经网络 作者：Shurui Gui; Hao Yuan; Jie Wang; Qicheng Lao; Kang Li; Shuiwang Ji 摘要 我们研究了图神经网络 (GNNs) 的可解释性，以阐明其工作机制。虽然目前大多数方法都专注于解释图的节点、边或特征，但我们认为，作为 GNNs 的固有功能机制，消息流在执行可解释
TPAMI 2024 | I2C：用于高保真可变速率图像压缩的可逆连续编解码器
小白学视觉
07-21 201
有损图像压缩是媒体传输和存储中的核心技术。最近，可变码率方法获得了较多关注，以避免在不同压缩率下使用不同的模型集合。在媒体共享过程中，不可避免地会执行多次不同码率的重新编码。然而，现有的基于变分自编码器（VAE）的方法在这种情况下很容易被破坏，导致强烈的伪影出现和图像保真度的破坏。基于通过可逆变换保持图像保真的理论发现，我们旨在解决高保真度细粒度可变码率图像压缩的问题，因此提出了可逆连续编解码器（I2C）。我们以数学可逆的方式实现I2C，并采用核心的可逆激活变换（IAT）模块。
深度学习-如何计算神经网络的输出？
最新发布
lqq
10-31 339
给定一个包含输入层、隐藏层和输出层的神经网络架构，可以逐层推导出各节点的输出值。具体步骤如下： 输入层计算： 输入层有 3 个节点，编号为 1、2、3，输入向量为 x_1, x_2, x_3 。 输入层节点的输出值直接就是输入向量，即： a1=x1,a2=x2,a3=x3 隐藏层节点计算： 隐藏层有 4 个节点，编号为 4、5、6、7。每个节点和输入层节点之间都有连接，并且每个连接具有对应的权重。 以隐藏层节点 4 为例。该节点的输出值 a_4由输入层节点 1、2、3
诺贝尔物理学奖的新篇章：机器学习与神经网络的光辉时刻
chaosweet的博客
10-30 665
人工智能的全面发展可能会带来人类历史上最重大的事件。
自监督强化学习：对比预测编码（CPC）算法深度解析
jun778895的博客
10-31 719
自监督强化学习是一种结合自监督学习与强化学习优势的新兴方法。它利用数据的内在结构生成监督信号，从而减少对外部标签的依赖，使智能体能够在无标签或标签稀缺的环境中学习有效的表示。CPC算法则是自监督强化学习中的一种重要算法，它通过对比学习（Contrastive Learning）来提取全局特征，帮助智能体学习有用的状态表示。CPC算法由DeepMind提出，旨在减少无监督学习中对标签的依赖，同时最大化局部信息和全局特征之间的关联。
神经网络与深度学习
huanfeng_AI的博客
10-30 1334
深度学习是机器学习的一个子领域，它专注于使用多层神经网络进行复杂的模式识别和特征提取。所谓“深度”指的是神经网络中隐藏层的数量，通常来说，深度学习模型包含多个隐藏层。这些多层结构使得深度学习模型能够学习到数据的深层特征，从而实现对复杂任务的精确处理。多层结构：深度学习模型通常包含多个隐藏层，这使得模型能够学习到数据的深层特征。非线性激活函数：深度学习模型使用非线性激活函数（如ReLU、sigmoid等），使得模型能够处理非线性问题。大数据支持。
探讨Facebook的AI研究：未来社交平台的技术前瞻
LokiSan的博客
10-29 1366
在数字时代，社交媒体已成为人们日常生活的重要组成部分。作为全球最大的社交网络之一，Facebook不断致力于人工智能（AI）的研究与应用，以提升用户体验、增强平台功能并推动技术创新。本文将探讨Facebook在AI领域的研究方向及其对未来社交平台的潜在影响。
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

小白学视觉

您的赞赏是我们坚持下去的动力~

¥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