首页|图神经网络算法架构及可解释性研究分析

图神经网络算法架构及可解释性研究分析

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
首先,全面概述了图神经网络的基本概念和意义,对基于谱的图神经网络、基于空域的图神经网络和其他图神经网络三个类别进行了系统性介绍,同时总结了训练过程中常用的优化技术.其次,分析了图神经网络领域目前面临的可解释性问题的挑战,从而明确了研究目标.随后,阐述了图形神经网络的可解释性基本概念与基础理论,将其分类为实例级和模型级可解释性技术,并列出了评估图学习方法可解释性的度量指标.最后,在结语部分总结了本文的主要研究脉络,并对该领域的未来研究方向提出了建议.旨在介绍图神经网络的理论基础以及其在可解释性领域的研究.

刘杰、王敏、唐青梅、张萌月

展开 >

山东大学机电与信息工程学院 山东威海 264209

中国电子科技集团公司第五十四研究所 河北石家庄 050081

深度学习 图神经网络 应用与挑战 可解释性方法 可解释性度量 谱卷积 空域卷积

山东自然科学基金面上项目

ZR2020MA064

2024

10.3969/j.issn.1672-9528.2024.01.039

信息技术与信息化
山东电子学会

信息技术与信息化

影响因子：0.29
ISSN：1672-9528
年,卷(期)：2024.(1)
  • 16