- 0
- 0
- 0
分享
- 2020级博士研究生黄强论文被CCF A类期刊TKDE接收
-
原创 2022-06-24
人工智能学院常毅教授指导的2020级博士研究生黄强的论文GraphLIME: Local Interpretable Model Explanations for Graph Neural Networks近日被CCF-A类期刊IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING(简称TKDE)接收。黄强同学为第一作者。
TKDE是人工智能、机器学习以及数据挖掘领域顶级的学术期刊之一,CCF-A。
黄强从事特征选择、因果数据挖掘相关的研究工作,本篇文章与吉林大学的田原老师,日本京都大学的Makoto Yamada老师合作完成。
文章详情
论文题目:
Local Interpretable Model Explanations for Graph Neural Networks
第一作者:黄强
收录期刊:TKDE
合作导师:常毅、田原、Makoto Yamada
论文概述:
图结构数据在物理、化学、生物、计算机视觉和社交网络等各个领域都有广泛的适用性。近些年,图神经网络(GNN)由于其良好的性能和泛化能力,被证明是一种可以有效表示和建模图结构数据的机器学习方法。然而,解释GNN模型的有效性是一项具有挑战性的任务,因为其在迭代过程中进行了复杂的非线性转换。本篇研究工作提出了一种非线性的GNN解释框架GraphLIME,这是一个使用Hilbert-Schmidt Independence Criterion (HSIC) Lasso的图结构局部可解释模型方法,HSIC Lasso是一种非线性特征选择方法,相比于线性方法能够更好地逼近GNN的决策过程。GraphLIME是一个通用的GNN模型解释框架,它在被解释节点的子图中局部学习一个非线性可解释模型,并基于该可解释模型产生对应的GNN解释信息。
吉林大学|人工智能学院
吉林省长春市|吉林大学中心校区
正新楼|7F
-
阅读原文
* 文章为作者独立观点,不代表数艺网立场转载须知
- 本文内容由数艺网收录采集自微信公众号吉林大学人工智能学院 ,并经数艺网进行了排版优化。转载此文章请在文章开头和结尾标注“作者”、“来源:数艺网” 并附上本页链接: 如您不希望被数艺网所收录,感觉到侵犯到了您的权益,请及时告知数艺网,我们表示诚挚的歉意,并及时处理或删除。