Copertina

The Interpretable and Effective Graph Neural Additive Networks

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Bechler-Speicher, Maya, Globerson, Amir, Gilad-Bachrach, Ran
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning Artificial Intelligence
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

TREE-G: Decision Trees Contesting Graph Neural Networks
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2022)

Graph Neural Networks Use Graphs When They Shouldn't
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2023)

On the Utilization of Unique Node Identifiers in Graph Neural Networks
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2024)

Depth-Width tradeoffs in Algorithmic Reasoning of Graph Tasks with Transformers
di: Yehudai, Gilad, et al.
Pubblicazione: (2025)

Towards Invariance to Node Identifiers in Graph Neural Networks
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2025)

Graph Mixing Additive Networks
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2025)

Cayley Graph Propagation
di: Wilson, JJ, et al.
Pubblicazione: (2024)

Lost in Tokenization: Fundamental Trade-offs in Graph Tokenization for Transformers
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2026)

A General Recipe for Contractive Graph Neural Networks -- Technical Report
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2024)

A Graph Meta-Network for Learning on Kolmogorov-Arnold Networks
di: Bar-Shalom, Guy, et al.
Pubblicazione: (2026)

SuperMAN: Interpretable and Expressive Networks over Temporally Sparse Heterogeneous Data
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2025)

Billion-Scale Graph Foundation Models
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2026)

Spectral Graph Neural Networks are Incomplete on Graphs with a Simple Spectrum
di: Hordan, Snir, et al.
Pubblicazione: (2025)

When Can Transformers Count to n?
di: Yehudai, Gilad, et al.
Pubblicazione: (2024)

Faithful Interpretation for Graph Neural Networks
di: Hu, Lijie, et al.
Pubblicazione: (2024)

Interpretable Graph Neural Networks for Tabular Data
di: Alkhatib, Amr, et al.
Pubblicazione: (2023)

Factor Graph-based Interpretable Neural Networks
di: Li, Yicong, et al.
Pubblicazione: (2025)

Position: Graph Learning Will Lose Relevance Due To Poor Benchmarks
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2025)

Improving LLM Final Representations with Inter-Layer Geometry
di: Ulanovski, Tom, et al.
Pubblicazione: (2026)

Content Augmented Graph Neural Networks
di: Nasrabadi, Fatemeh Gholamzadeh, et al.
Pubblicazione: (2023)

SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs
di: Fang, Lanting, et al.
Pubblicazione: (2024)

Unveiling Global Interactive Patterns across Graphs: Towards Interpretable Graph Neural Networks
di: Wang, Yuwen, et al.
Pubblicazione: (2024)

Framework GNN-AID: Graph Neural Network Analysis Interpretation and Defense
di: Lukyanov, Kirill, et al.
Pubblicazione: (2025)

ProtoNAM: Prototypical Neural Additive Models for Interpretable Deep Tabular Learning
di: Xiong, Guangzhi, et al.
Pubblicazione: (2024)

Massive Activations in Graph Neural Networks: Decoding Attention for Domain-Dependent Interpretability
di: Bini, Lorenzo, et al.
Pubblicazione: (2024)

Are Heterogeneous Graph Neural Networks Truly Effective? A Causal Perspective
di: Yang, Xiao, et al.
Pubblicazione: (2025)

FSW-GNN: A Bi-Lipschitz WL-Equivalent Graph Neural Network
di: Sverdlov, Yonatan, et al.
Pubblicazione: (2024)

Provable Benefits of Complex Parameterizations for Structured State Space Models
di: Ran-Milo, Yuval, et al.
Pubblicazione: (2024)

DropEdge not Foolproof: Effective Augmentation Method for Signed Graph Neural Networks
di: Zhang, Zeyu, et al.
Pubblicazione: (2024)

Interpretable Representation Learning for Additive Rule Ensembles
di: Behzadimanesh, Shahrzad, et al.
Pubblicazione: (2025)

Agentic Additive Manufacturing Alloy Evaluation
di: Pak, Peter, et al.
Pubblicazione: (2025)

Controllable Edge-Type-Specific Interpretation in Multi-Relational Graph Neural Networks for Drug Response Prediction
di: Li, Xiaodi, et al.
Pubblicazione: (2024)

Air Traffic Controller Task Demand via Graph Neural Networks: An Interpretable Approach to Airspace Complexity
di: Henderson, Edward, et al.
Pubblicazione: (2025)

TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning
di: E, Jiawei, et al.
Pubblicazione: (2024)

Interpreting Neural Networks through Mahalanobis Distance
di: Oursland, Alan
Pubblicazione: (2024)

Training Neural Networks for Modularity aids Interpretability
di: Golechha, Satvik, et al.
Pubblicazione: (2024)

Interpretable Neural Networks with Random Constructive Algorithm
di: Nan, Jing, et al.
Pubblicazione: (2023)

Graph Similarity Computation via Interpretable Neural Node Alignment
di: Wang, Jingjing, et al.
Pubblicazione: (2024)

Identifying Critical Phases for Disease Onset with Sparse Haematological Biomarkers
di: Zerio, Andrea, et al.
Pubblicazione: (2025)

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