对比学习下的图形全局概念解释
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
该论文介绍了概念相关传播（CRP）方法，结合本地和全局可解释人工智能（XAI），以回答预测的“何时”和“何物”问题。作者展示了该方法在不同设置中的应用，强调了概念地图和量化调查在细粒度决策中的作用。此外，提出了新框架EiX-GNN和GCExplainer，以提升图神经网络的可解释性和透明性，提供个性化的解释方式。
❓
Q&A
概念相关传播（CRP）方法的主要功能是什么？
CRP方法结合本地和全局可解释人工智能，能够回答单个预测的“何时”和“何物”问题。
EiX-GNN框架的主要贡献是什么？
EiX-GNN框架编码了解释图神经网络的社会依赖关系，并实现了针对真实数据的定性研究和比较。
如何提高图神经网络的可解释性？
通过研究个别神经元的行为，提出新的度量方法和全局解释方法，提高模型的解释性和透明性。
GCExplainer的功能是什么？
GCExplainer是一种自动套路解释方法，适用于GNN节点和图分类，提供更高质量的概念表示和深入分析。
基于概念的可解释人工智能如何提供个性化解释？
它利用经验性定义的概念和通用知识图谱，为用户提供个性化的解释方式。
GLGExplainer的优势是什么？
GLGExplainer能够生成准确和人类可解释的全局解释，作为图形概念逻辑公式的任意布尔组合。
🏷️
