面向全面且无前提的图神经网络解释器

本研究解决了当前图神经网络（GNN）解释方法存在的两个主要限制：无法全面捕捉GNN的决策逻辑以及对边属性和内部可访问性的严格要求。我们提出了一种新颖的解释器OPEN，能够在不需要严格前提条件的情况下，学习和推断GNN在不同数据分布下的决策逻辑。实验结果显示，OPEN显著提升了对GNN决策逻辑的捕捉能力，同时在准确性和效率方面优于现有方法，增强了在实际应用中的鲁棒性。

本研究提出了一种新颖的解释器OPEN，克服了图神经网络（GNN）解释方法的局限性，能够在不同数据分布下学习和推断GNN的决策逻辑，从而提高了捕捉能力和效率。

决策逻辑 图神经网络 效率 数据分布 神经网络 解释器
原文中文，约300字，阅读约需1分钟。发表于：。
阅读原文
分享给好友