Copertina

How Interpretable Are Interpretable Graph Neural Networks?

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Chen, Yongqiang, Bian, Yatao, Han, Bo, Cheng, James
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

HIGHT: Hierarchical Graph Tokenization for Molecule-Language Alignment
di: Chen, Yongqiang, et al.
Pubblicazione: (2024)

Enhancing Neural Subset Selection: Integrating Background Information into Set Representations
di: Xie, Binghui, et al.
Pubblicazione: (2024)

One Fits All: Learning Fair Graph Neural Networks for Various Sensitive Attributes
di: Zhu, Yuchang, et al.
Pubblicazione: (2024)

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

Graph Unitary Message Passing
di: Qiu, Haiquan, et al.
Pubblicazione: (2024)

Interpreting Temporal Graph Neural Networks with Koopman Theory
di: Guerra, Michele, et al.
Pubblicazione: (2024)

Interpretable Graph Neural Networks for Heterogeneous Tabular Data
di: Alkhatib, Amr, et al.
Pubblicazione: (2024)

Graph Structure Learning with Interpretable Bayesian Neural Networks
di: Wasserman, Max, et al.
Pubblicazione: (2024)

The Interpretable and Effective Graph Neural Additive Networks
di: Bechler-Speicher, Maya, 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)

Ligandformer: A Graph Neural Network for Predicting Compound Property with Robust Interpretation
di: Guo, Jinjiang, et al.
Pubblicazione: (2022)

From GNNs to Trees: Multi-Granular Interpretability for Graph Neural Networks
di: Yang, Jie, et al.
Pubblicazione: (2025)

GIN-Graph: A Generative Interpretation Network for Model-Level Explanation of Graph Neural Networks
di: Yue, Xiao, et al.
Pubblicazione: (2025)

HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep Neural Networks
di: Chen, Yuanyuan, et al.
Pubblicazione: (2021)

A Generalized Tikhonov Layer for Interpretable-by-design Graph Neural Networks
di: Tremblay, Nicolas, et al.
Pubblicazione: (2026)

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

MOTGNN: Interpretable Graph Neural Networks for Multi-Omics Disease Classification
di: Yang, Tiantian, et al.
Pubblicazione: (2025)

Interpretability of Graph Neural Networks to Assess Effects of Global Change Drivers on Ecological Networks
di: Anakok, Emre, et al.
Pubblicazione: (2025)

On the Interpretability of Quantum Neural Networks
di: Pira, Lirandë, et al.
Pubblicazione: (2023)

FIGNN: Feature-Specific Interpretability for Graph Neural Network Surrogate Models
di: Raut, Riddhiman, et al.
Pubblicazione: (2025)

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

CONFINE: Conformal Prediction for Interpretable Neural Networks
di: Huang, Linhui, et al.
Pubblicazione: (2024)

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

Interpreting Deep Neural Networks with the Package innsight
di: Koenen, Niklas, et al.
Pubblicazione: (2023)

Incorporating Retrieval-based Causal Learning with Information Bottlenecks for Interpretable Graph Neural Networks
di: Rao, Jiahua, et al.
Pubblicazione: (2024)

Fragment-Wise Interpretability in Graph Neural Networks via Molecule Decomposition and Contribution Analysis
di: Musiał, Sebastian, et al.
Pubblicazione: (2025)

Towards Scalable Oversight with Collaborative Multi-Agent Debate in Error Detection
di: Chen, Yongqiang, et al.
Pubblicazione: (2025)

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

Time-Aware and Transition-Semantic Graph Neural Networks for Interpretable Predictive Business Process Monitoring
di: Wang, Fang, et al.
Pubblicazione: (2025)

Interpretable High-order Knowledge Graph Neural Network for Predicting Synthetic Lethality in Human Cancers
di: Chen, Xuexin, et al.
Pubblicazione: (2025)

NGTM: Substructure-based Neural Graph Topic Model for Interpretable Graph Generation
di: Zhuang, Yuanxin, et al.
Pubblicazione: (2025)

Seeking Interpretability and Explainability in Binary Activated Neural Networks
di: Leblanc, Benjamin, et al.
Pubblicazione: (2022)

Towards Interpretable Deep Neural Networks for Tabular Data
di: Elhadri, Khawla, et al.
Pubblicazione: (2025)

Fast and Interpretable Autoregressive Estimation with Neural Network Backpropagation
di: Lucena, Anaísa, et al.
Pubblicazione: (2026)

GPEX, A Framework For Interpreting Artificial Neural Networks
di: Akbarnejad, Amir, et al.
Pubblicazione: (2021)

CI-GNN: A Granger Causality-Inspired Graph Neural Network for Interpretable Brain Network-Based Psychiatric Diagnosis
di: Zheng, Kaizhong, et al.
Pubblicazione: (2023)

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)