Buchumschlag

L2XGNN: Learning to Explain Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Serra, Giuseppe, Niepert, Mathias
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Tractable Probabilistic Graph Representation Learning with Graph-Induced Sum-Product Networks
von: Errica, Federico, et al.
Veröffentlicht: (2023)

Adaptive Physics-informed Neural Networks: A Survey
von: Torres, Edgar, et al.
Veröffentlicht: (2025)

Learning the Neighborhood: Contrast-Free Multimodal Self-Supervised Molecular Graph Pretraining
von: Ariguib, Boshra, et al.
Veröffentlicht: (2025)

Adaptive Width Neural Networks
von: Errica, Federico, et al.
Veröffentlicht: (2025)

LogicXGNN: Grounded Logical Rules for Explaining Graph Neural Networks
von: Geng, Chuqin, et al.
Veröffentlicht: (2025)

Learning (Approximately) Equivariant Networks via Constrained Optimization
von: Manolache, Andrei, et al.
Veröffentlicht: (2025)

MolMix: A Simple Yet Effective Baseline for Multimodal Molecular Representation Learning
von: Manolache, Andrei, et al.
Veröffentlicht: (2024)

LOGLO-FNO: Efficient Learning of Local and Global Features in Fourier Neural Operators
von: Kalimuthu, Marimuthu, et al.
Veröffentlicht: (2025)

GraphXAIN: Narratives to Explain Graph Neural Networks
von: Cedro, Mateusz, et al.
Veröffentlicht: (2024)

Explaining Graph Neural Networks for Node Similarity on Graphs
von: Daza, Daniel, et al.
Veröffentlicht: (2024)

Preference-Based Gradient Estimation for ML-Guided Approximate Combinatorial Optimization
von: Mielke, Arman, et al.
Veröffentlicht: (2025)

Explaining the Explainers in Graph Neural Networks: a Comparative Study
von: Longa, Antonio, et al.
Veröffentlicht: (2022)

Explaining Neural Networks in Preference Learning: a Post-hoc Inductive Logic Programming Approach
von: Fossemò, Daniele, et al.
Veröffentlicht: (2026)

SMART: Scalable Mesh-free Aerodynamic Simulations from Raw Geometries using a Transformer-based Surrogate Model
von: Hagnberger, Jan, et al.
Veröffentlicht: (2026)

Active Learning for Neural PDE Solvers
von: Musekamp, Daniel, et al.
Veröffentlicht: (2024)

SIMPLE: A Gradient Estimator for $k$-Subset Sampling
von: Ahmed, Kareem, et al.
Veröffentlicht: (2022)

Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks
von: Bosco, Daniele Lizzio, et al.
Veröffentlicht: (2024)

Towards Learning and Explaining Indirect Causal Effects in Neural Networks
von: Reddy, Abbavaram Gowtham, et al.
Veröffentlicht: (2023)

Explaining Neural Networks without Access to Training Data
von: Marton, Sascha, et al.
Veröffentlicht: (2022)

Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction
von: Yu, Leisheng, et al.
Veröffentlicht: (2025)

Graph Neural Networks for Learning Equivariant Representations of Neural Networks
von: Kofinas, Miltiadis, et al.
Veröffentlicht: (2024)

SymDrift: One-Shot Generative Modeling under Symmetries
von: Darouich, Samir, et al.
Veröffentlicht: (2026)

How to Leverage Predictive Uncertainty Estimates for Reducing Catastrophic Forgetting in Online Continual Learning
von: Serra, Giuseppe, et al.
Veröffentlicht: (2024)

GRAPES: Learning to Sample Graphs for Scalable Graph Neural Networks
von: Younesian, Taraneh, et al.
Veröffentlicht: (2023)

Learning to Execute Graph Algorithms Exactly with Graph Neural Networks
von: Qharabagh, Muhammad Fetrat, et al.
Veröffentlicht: (2026)

Graph Alignment for Benchmarking Graph Neural Networks and Learning Positional Encodings
von: Lagesse, Adrien, et al.
Veröffentlicht: (2025)

Vectorized Conditional Neural Fields: A Framework for Solving Time-dependent Parametric Partial Differential Equations
von: Hagnberger, Jan, et al.
Veröffentlicht: (2024)

An Interpretable Alternative to Neural Representation Learning for Rating Prediction -- Transparent Latent Class Modeling of User Reviews
von: Serra, Giuseppe, et al.
Veröffentlicht: (2024)

Graph Neural Diffusion Networks for Semi-supervised Learning
von: Ye, Wei, et al.
Veröffentlicht: (2022)

Explaining Bayesian Neural Networks
von: Bykov, Kirill, et al.
Veröffentlicht: (2021)

Learning from Historical Activations in Graph Neural Networks
von: Galron, Yaniv, et al.
Veröffentlicht: (2026)

Introduction to Graph Neural Networks for Machine Learning Engineers
von: Tanis, James H., et al.
Veröffentlicht: (2024)

Ray-Tracing for Conditionally Activated Neural Networks
von: Gallicchio, Claudio, et al.
Veröffentlicht: (2025)

GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy
von: Peng, Tianhao, et al.
Veröffentlicht: (2023)

Weisfeiler-Lehman goes Dynamic: An Analysis of the Expressive Power of Graph Neural Networks for Attributed and Dynamic Graphs
von: Beddar-Wiesing, Silvia, et al.
Veröffentlicht: (2022)

Directional Neural Collapse Explains Few-Shot Transfer in Self-Supervised Learning
von: Luthra, Achleshwar, et al.
Veröffentlicht: (2026)

Learning by Self-Explaining
von: Stammer, Wolfgang, et al.
Veröffentlicht: (2023)

Graphs Unveiled: Graph Neural Networks and Graph Generation
von: Kovács, László, et al.
Veröffentlicht: (2024)

Temporal-Aware Evaluation and Learning for Temporal Graph Neural Networks
von: Su, Junwei, et al.
Veröffentlicht: (2024)

CALM-PDE: Continuous and Adaptive Convolutions for Latent Space Modeling of Time-dependent PDEs
von: Hagnberger, Jan, et al.
Veröffentlicht: (2025)