文章/答案/技术大牛

发布

社区首页 >问答首页 >图神经网络中Captum与GNNExplainer的可解释性

问图神经网络中Captum与GNNExplainer的可解释性
EN

Data Science用户

提问于 2022-09-13 06:22:06

回答 1查看 163关注 0票数 1

我是图神经网络的新手，我对探索框架感兴趣，这些框架允许识别作为预测基础的节点/边缘。

这两者似乎都达到了这个目标，但我无法理解两者之间的差异。是否与所有模型体系结构(包括GNNExplainer )一起工作？谁能给我指出每种方法的优缺点，或者用应用程序/功能来区分它们呢？

发布于 2023-02-09 18:37:18

最新的Pytorch几何库支持直接使用GNNExplainer和将模型转换为captum，这可以进一步用于特征属性。

GnnExplainer是一个计算最小子图的框架，它产生与原始图相同的输出。

卡普图姆是一个图书馆，它是为可解释性而建的。Captum主要支持集成梯度，这是一种基于输入属性的解释方法，可以应用于任何可微性模型，而不仅仅是GNN。

票数 1

页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://datascience.stackexchange.com/questions/114375

复制

相似问题

问图神经网络中Captum与GNNExplainer的可解释性EN