1 Repo
Awesome GitHub RepositoriesGraph
Methods for analyzing and visualizing the internal workings of graph-based neural networks.
Distinct from Neural Network Interpretability: Distinct from Neural Network Interpretability: specifically targets graph-based models and structural pattern analysis.
Explore 1 awesome GitHub repository matching artificial intelligence & ml · Graph. Refine with filters or upvote what's useful.
Awesome Graph GitHub Repositories
Finde die besten Repos mit KI.Wir suchen mit KI nach den am besten passenden Repositories.
- rexying/gnn-model-explainer
RexYing/gnn-model-explainer
1,051Auf GitHub ansehenDieses Toolkit dient als Framework zur Interpretation der Entscheidungsprozesse von Graph Neural Networks. Es fungiert als Bibliothek zur Analyse der Verarbeitung komplexer Netzwerkdaten durch diese Modelle und bietet Methoden zur Identifizierung spezifischer Knotenattribute und struktureller Muster, die Vorhersageergebnisse beeinflussen. Das Projekt zeichnet sich durch den Einsatz von maskenoptimierter Subgraph-Extraktion und gradientenbasierter Attributions-Mapping aus, um die minimalen Komponenten eines Graphen zu isolieren, die die ursprüngliche Vorhersage eines Modells bewahren. Durch die Trennung von Graph-Verarbeitungsschichten und Erklärungslogik ermöglicht die Architektur eine konsistente Analyse über verschiedene Arten von Graph Neural Networks hinweg, einschließlich konvolutions- und attention-basierter Modelle. Über die reine Interpretation hinaus unterstützt die Bibliothek das Training von Graph-Modellen auf synthetischen und realen Datensätzen und erleichtert das Debugging von Machine-Learning-Modellen. Sie umfasst Funktionen zur Visualisierung von Modellerklärungen durch interaktive Notebooks, was das Rendern von Attributions-Heatmaps und komplexen Netzwerkstrukturen ermöglicht, um einflussreiche Merkmale und Subgraphen zu identifizieren.
Analyzes how graph-based machine learning models make predictions by identifying influential nodes and structural patterns.
Python
