Generative Causal Explanations for Graph Neural Networks

最新推荐文章于 2024-12-28 15:50:32 发布
最新推荐文章于 2024-12-28 15:50:32 发布
阅读量1.8k 收藏 4
点赞数 1
分类专栏： 文献阅读 机器学习 学习总结 文章标签： GCN 文献阅读 因果关系 可解释性
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.youkuaiyun.com/yanhu6955/article/details/120823632
版权

Generative Causal Explanations for Graph Neural Networks

1 Introduction 

该文献提出一种模型不可知算法Gem，适用于各种图学习任务中为任何的GNN提供可解释性。Gem是一种基于格兰杰因果关系带有损失函数的因果解释模型，其将为GNN作出的决策进行解释看作一种因果学习任务。Gem不仅不要求对GNN的内部结构即非嵌入，而且具有很好的泛化性。Gem是属于一个统一的加性特征归因方法。

2 Methodology

2.1 Granger causality

        未来的事件不会对目前与过去产生因果影响，而过去的事件才可能对现在及未来产生影响。也就是说，如果我们试图探讨变量 x 是否对变量 y 有因果影响，那么只需要估计 x 的落後期是否会影响 y 的现在值，因为 x 的未来值不可能影响 y 的现在值。假如在控制了 y 变量的过去值以后，x 变量的过去值仍能对 y 变量有显著的解释能力，我们就可以称 x 能“Granger 影响” y。

2.2 Causal Objective

        对GNN的决策做出解析，需要从图的边进行考虑。令G^{c}为实例图，则\delta _{G^{c}}表示其模型误差，\delta _{G^{c} - {e_{j}}}表示在没有第 j 条边的影响下的模型误差。因此第 j 条边的因果贡献的公式（1）如下：

 

最低0.47元/天 解锁文章
图神经网络可解释性Slide：GNNExplainer: Generating Explanations for Graph Neural Networks
SimonChen
01-28 1220
参考素材： https://blog.youkuaiyun.com/weixin_40505645/article/details/105781034
GNN之NIPS19 GNNExplainer-GNNExplainer: Generating Explanations for Graph Neural Networks
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
05-01 1731
转载纪厚业 本文由斯坦福Jure组发表在NeurIPS2019上. 一作Rex Ying也是著名的GraphSAGE的作者. 代码和数据https://github.com/RexYing/gnn-model-explainer 目录 1.Introduction 2.Model 2.1Explanation via Structural Information 2.2Explan...
深度学习之因果发现（二）Causal Generative Neural Networks（CGNN）
m0_52071323的博客
10-29 1367
CGNN（因果生成神经网络）基于的是（Functional Causal Model, FCM），而不是传统的结构性因果模型（Structural Causal Model, SCM）。在论文中，CGNN采用生成神经网络来学习多变量因果机制，允许在没有显式函数限制的情况下表示复杂的因果关系。
论文中文翻译：Learning Functional Causal Models with Generative Neural Networks（二）
m0_52071323的博客
10-23 699
“Learning Functional Causal Models with Generative Neural Networks”设 X=[X1,…,Xd]X = [X_1, \dots, X_d]X=[X1​,…,Xd​] 表示一组具有联合分布 PPP 的连续随机变量，并进一步假设 PPP 的联合密度函数 hhh 在 Rd\mathbb{R}^dRd 的一个紧凑子集上是连续且严格正的，而在其他地方为零。本节首先介绍如何使用生成神经网络对具有给定图结构的连续功能因果模型（FCMs）进行建模（4.1节），
NIPS2022上的图神经网络相关论文总结
jkokj23153的博客
09-20 3779
NIPS2022上的图神经网络相关论文总结
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 6227
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
从one hot编码到graph embed ing（deepwalk LINE SDNE node2vec truct2vec Graph Factorization HOPE）
最新发布
weixin_37552108的博客
12-28 733
• 论文《GraphPath一个基于通路相互作用网络的具有可解释性的图注意力模型用于分子分层》展示了如何通过图嵌入技术捕捉分子和生物通路水平上的特征，并通过可视化嵌入表示来解释模型的预测过程，证明了图嵌入的可解释性。• 综述《大规模图神经网络研究综述》涵盖了图神经网络的多个方面，包括图嵌入技术，强调了图嵌入在材料信息学中的重要性，这些技术有助于捕捉材料的结构特征，为GNN的可解释性提供了支持。• 在图结构数据中，节点之间的关系是动态变化的，One-hot编码无法捕捉这种动态变化和复杂的图结构关系。
Reinforced Causal Explainer for Graph Neural Networks 图神经网络的增强因果解释器
feijianguoer的博客
03-22 715
考虑到SA的解释，与单个的N-C键相比，它与碳-碳的结合（C=C）键没有带来关于模型预测的独特信息，因为仅实现了预测准确性的边际改进。这是至关重要的，以指定的边缘，是似是而非的因果关系的模型结果，而不是与结果无关或虚假相关的边缘[21]，[22]。类梯度信号w.r.t.图结构[13]，[14]，[15]：例如，SA [13]采用GNN的损失w.r.t.邻接矩阵作为边得分，而Grad-CAM [14]在GNN上扩展。我们在三个数据集上进行了广泛的实验，显示了我们的RC解释器w.r. t的有效性。
TPAMI 2022 | RC-Explainer：图神经网络的强化因果解释器
叶庭云 成为自己的光
02-12 960
TPAMI 2022 | RC-Explainer：图神经网络的强化因果解释器
Reinforcement Learning Enhanced Explainer for Graph Neural Networks强化学习增强的图神经网络解释器
feijianguoer的博客
04-07 543
图神经网络（GNN）最近已经成为图上机器学习任务的革命性技术。在GNN中，图结构通常通过消息传递方案与节点表示相结合，这使得解释更具挑战性。给定经训练的GNN模型，GNN解释器旨在识别最有影响力的子图以解释实例的预测（例如，节点或图），其本质上是图上的组合优化问题。现有的作品解决这个问题的连续松弛或基于搜索的启发式。但它们存在一些关键问题，如违反消息传递和手工制作的启发式，导致较差的可解释性。
【Causality】因果图入门
机器学习的第一年
01-04 5070
包含因果发现基本定义、描述以及因果图图论相关基本内容（CPDAG，混合图，祖先图，等价类等）
【GNN报告】GNN可解释性 & 基于几何与拓扑特性的图学习
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
10-05 3625
GNN上可解释和over-squashing问题解决
第五十八周周报 FE-GNN
weixin_44162879的博客
09-28 1020
本周阅读了题为Feature Expansion for Graph Neural Networks的论文。这项研究讨论了图神经网络（GNN）在图结构数据表示学习中的特征空间问题，特别是在节点分类中。尽管已有方法从优化目标和谱图理论角度探讨了GNN，但其核心特征空间未被充分研究。文章通过分析空间与光谱模型，揭示由于重复聚合导致的线性相关性限制了性能。为此，提出特征子空间扁平化和结构主成分两种策略以扩展特征空间，并根据策略提出了并提出了FE-GNN特征扩展图神经网络。
标准图数据
weixin_42358688的博客
06-23 2461
探究图网络可解释性用到的公共数据集
Causal Conditional Hidden Markov Model for Multimodal Traffic Prediction
gao00013的博客
01-19 1457
多式联运交通流可以反映交通系统的健康状况，多式联运交通流预测对城市交通管理具有重要意义。最近的研究过分强调交通流量的时空相关性，忽略了导致观测结果产生的物理概念及其因果关系。在不同条件的影响下，时空相关性被认为是不稳定的，在观测中可能存在伪相关。本文从观测生成原理的角度分析了影响多模式交通流生成的物理概念，提出了一种用于多模式交通流预测的因果条件隐马尔可夫模型(CCHMM)。在潜变量推理阶段，后验网络从条件信息和观察中分离出感兴趣概念的因果表示，因果传播模块挖掘它们的因果关系。
Explainability in Graph Neural Networks:A Taxonomic Survey 图可解释
m0_37525990的博客
03-22 4471
typora-root-url: img Explainability in Graph Neural Networks:A Taxonomic Survey 可解释GNN的分类和数据集(句子==>图数据集) 对于 GNN 解释性方法，既没有一个统一的处理方法，也没有一个标准的基准测试和测试平台 首先,与图像和文本不同，图不是网格状的数据，这意味着没有局部信息，这意味着没有局部信息，每个节点有不同数量的邻居。没有位置信息,只有拓扑信息,且分布不均匀 图包含了重要的拓扑信息，并被表示为特征矩阵和邻接.
【图神经网络】用PyG实现图机器学习的可解释性
小哲的博客
06-12 3054
在本博客文章中，我们将逐步介绍可解释性模块，详细说明框架的每个组件如何工作以及其作用。随后，我们将介绍各种解释评估方法和合成基准数据集，这些方法与数据集相辅相成，确保您为当前任务生成最佳的解释结果。接下来，我们将介绍一些可立即使用的可视化方法。最后，我们将详细介绍在PyG中实现自己的解释方法所需的步骤，并强调异构图和链接预测解释等高级用例的工作。
spectral normalization for generative adversarial networks
04-06
Spectral Nomalization for Generative Adversarial Networks，是一种用于生成对抗网络的谱规范化技术。它可以解决生成对抗网络中的模式崩溃和模式坍塌问题，从而提高模型的稳定性和生成图像的质量。该技术通过对...
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
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