arXiv · cs.AI · Maya Bechler-Speicher, Amir Globerson, Ran Gilad-Bachrach · 10 小时前模型评分33
可解释且有效的图神经加性网络 GNAN
The Interpretable and Effective Graph Neural Additive Networks
导读
研究者提出图神经加性网络（GNAN，Graph Neural Additive Network），一种在设计上即可解释的图神经网络，可通过直接可视化在特征和图两个层面给出全局与局部解释。GNAN 的准确率与黑盒图神经网络相当，适合对透明度要求高的关键场景。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “In this paper, we present a GNN that is interpretable by design.”
来源：arXiv · cs.AI · arxiv.org