Millora de l'estabilitat de GNNExplainer en grans conjunts de dades de xarxes de citacions

Identificador:  TFM:1426

Handle: https://hdl.handle.net/20.500.11797/TFM1426

Autors:  Cabezas Rodriguez, José Joaquin

Resum:
Les xarxes neuronals de gràfics (GNN) són un marc d'aprenentatge automàtic que apropa les xarxes neuronals gràfics i dades relacionals. És d'especial rellevància per a àrees com l'anàlisi de xarxes socials, biològica ciències, química, sistemes de transport intel·ligents i molts altres, on es poden considerar les dades una xarxa. Explicar per què una GNN va prendre una decisió és un repte, a causa de la naturalesa de caixa negra xarxes neuronals, però és crucial a l'hora d'aplicar-ho als processos de presa de decisions que afecten la vida de molts. En aquest treball repassem l'estat actual de l'art i analitzem els més coneguts mètode per explicar les GNN, GNNExplainer. Trobem que la seva aplicació a les cites acadèmiques els conjunts de dades presenten problemes a causa de la variabilitat de les explicacions i proposem una modificació per millorant l'estabilitat dels resultats i la interpretabilitat de l'explicació gràfica. En particular, nosaltres proposar l'ús d'un coeficient ajustat calculat prèviament per a cada explicació en lloc d'a paràmetre fix. Trobem que la nostra proposta millora l'estabilitat en més d'un 10 \% en els experiments utilitzant xarxes convolucionals de gràfics (GCN) i xarxes d'atenció gràfica (GAT) amb dos conjunts de dades de xarxes de citacions (Cora i Pubmed).