文档摘要

6.2 推理透明化：可解释性 GNN 本节摘要：图上的可解释性回答"模型的结论由哪部分图证据支撑"——子图解释方法学习边与特征的软掩码，圈出决定性证据集合；注意力权重只能算线索而非证据；保真度指标量化"抽掉解释后结论崩不崩、只留解释时结论稳不稳"。本节覆盖事后解释、内置解释、生成式解释这些路线与风控场景的落地形态。 会员。《6.2 推理透明化：可解释性 GNN》收录于灏天文库文集《图神经网络 (GNN) 入门与实战：深度学习在图数据上的应用》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/529-%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C-gnn-%E5%85%A5%E9%97%A8%E4%B8%8E%E5%AE%9E%E6%88%98%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9C%A8%E5%9B%BE%E6%95%B0%E6%8D%AE%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流