用于相关证据归因的自解释多标签图神经网络

摘要

arXiv:2608.27574v1 Announce Type: new Abstract: Multi-label graph learning intends to capture the intrinsic complexity of real-world applications, where one sample is often related to multiple groups ...

label and multi graph post hoc evidence labels SEMGNN node

2026-08-31 1 阅读约1分钟阅读 Yingqi Feng, Yufei Tang, Min Shi, Xingquan Zhu

arXiv:2608.27574v1 公告类型：新摘要：多标签图学习旨在捕获现实世界应用程序的内在复杂性，其中一个样本通常与多个组相关或由多个对象组成。迄今为止，存在一些多标签图学习方法，但它们都没有集成训练时解释能力。虽然事后图解释器已经开发出来，但它们并没有明确地模拟多标签图学习器中依赖于标签的证据共享，特别是当标签对弱相关或负相关时。因此，事后方法可能会忽略如何在不同标签之间共享或分离证据。本文提出了一种新的端到端可自解释多标签图神经网络（SEMGNN），其目的是同时对多标签节点进行分类并识别对每个目标节点有显着贡献的边。预测的标签。与事后方法不同，SEMGNN 在统一的框架和训练目标内联合学习预测器和稀疏边缘掩模解释器。标签-标签相关性用于改进多标签节点分类并增强单个标签解释，以便节点的不同标签可以得到不同但连贯的结构和/或相关证据的支持。对社交网络、娱乐和生命科学领域的合成和现实世界多标签网络的实验和比较表明，SEMGNN 实现了有竞争力或改进的预测性能，同时提供了更忠实和紧凑的标签条件解释。

订阅66必读