多标签图学习首破黑箱！新模型让每个标签都有专属证据链，性能不降反升
Self-Explainable Multi-Label Graph Neural Network for Correlated Evidence Attribution
📖 AI 总结
该论文提出了一种名为SEMGNN的自解释多标签图神经网络，旨在同时完成多标签节点分类和证据归因任务。现有方法缺乏训练时的解释能力，事后解释器也未显式建模标签间的证据共享关系，尤其在标签对弱相关或负相关时表现不佳。SEMGNN通过统一框架联合学习预测器和稀疏边掩码解释器，并利用标签间相关性来增强分类性能和解释质量，使不同标签可由不同但连贯的结构证据支持。在社交网络、娱乐和生命科学等真实及合成多标签网络上的实验表明，该方法在保持竞争性或更优预测性能的同时，能提供更忠实且紧凑的标签条件解释。
🔑 关键词速览
| Multi-label graph learning | 多标签图学习，一种处理图中节点可能同时属于多个类别或标签的学习任务。 |
| Self-explainable | 自解释的，指模型在训练过程中同时生成预测和解释，而非事后单独解释。 |
| Post-hoc explainer | 事后解释器，在模型训练完成后对预测结果进行解释的方法。 |
| Edge-mask explainer | 边掩码解释器，通过选择重要边来生成解释的组件。 |
| Label-label correlation | 标签-标签相关性，指不同标签之间的统计或语义关联，用于改进多标签预测和解释。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅