Explaining Graph Neural Networks via Structure-aware Interaction Index 
由于其强大的理论基础，Shapley的价值是解释Black-Box机器学习模型的突出工具。但是，对于具有结构化输入（例如图形神经网络）的模型，现有的基于Shapley的解释性方法要么仅着重于节点的重要性，要么在扰动输入实例时忽略图形结构。本文介绍了Myerson-Taylor的相互作用索引，该指数将图形结构内在地归因于节点值和节点之间的相互作用值 ...
0 0 0 2025/05/23 arXiv:2405.14352v1 QingXiang
Feature Attribution with Necessity and Sufficiency via Dual-stage Perturbation Test for Causal Explanation 
我们研究了机器学习模型的解释性问题，重点是通过扰动测试评估特征重要性的特征归因方法（FAMS）。尽管他们的实用性，FAMS仍在努力区分不同特征的贡献，而扰动后它们的预测变化相似。为了增强FAMS的歧视能力，我们以必要性和充分性（粉丝）引入功能归因，该属性找到了输入的社区，以使该社区内的样本具有很高的必要性和充分性（PNS）可能导致预测变化的可能性，并将此PNS作为功能的重要性 ...
0 0 0 2025/05/23 arXiv:2402.08845v4 QingXiang
How Interpretable Are Interpretable Graph Neural Networks? 
可解释的图神经网络（XGNN）在涉及图形结构数据的各种科学应用中广泛采用。现有的XGNN主要采用基于注意力的机制来学习边缘或节点的重要性，以通过可解释的子图提取和做出预测。但是，这些方法的表示属性和局限性仍然不足 ...
0 0 0 2025/05/23 arXiv:2406.07955v1 QingXiang
Graph Neural Network Explanations are Fragile 
最近出现了可解释的图神经网络（GNN），以促进使用GNN的信任。现有的GNN解释器是从各种角度开发的，以提高解释绩效。我们迈出了在对抗攻击下研究GNN解释器的第一步 - 我们发现，对手略有扰动的图形结构可以确保GNN模型做出正确的预测，但是GNN解释器在扰动图上产生了截然不同的解释 ...
0 0 0 2025/05/23 arXiv:2406.03193v1 QingXiang
Predicting and Interpreting Energy Barriers of Metallic Glasses with Graph Neural Networks 
金属玻璃（MGS）是广泛使用的材料，其比钢较强，而塑料则可以易换。尽管理解MGS的结构 - 秘密关系仍然是材料科学中的挑战，但研究其能源障碍（EB）作为中介步骤显示出希望。在这项工作中，我们利用图形神经网络（GNN）来建模MGS和研究EBS ...
0 0 0 2025/05/23 arXiv:2401.08627v3 QingXiang
Dual Engines of Thoughts: A Depth-Breadth Integration Framework for Open-Ended Analysis 
我们提出了思想的双引擎（DEOT），这是一个用于全面开放式推理的分析框架。尽管传统的推理框架主要集中于找到单人问题问题的“最佳答案”或“正确的答案”，但DEOT是专门为“开放式问题”设计的，可以使得越来越广泛，更深入地分析探索。该框架以三个关键组成部分为中心：用于精炼用户查询的基本提示器，一种求职者，可以安排任务分解，执行和验证的求解器，以及一个由宽引擎组成的双引擎系统（以探索多样的影响因素）和深 ...
0 0 0 2025/05/23 arXiv:2504.07872v1 zychun
The Rise and Potential of Large Language Model Based Agents: A Survey 
长期以来，人类一直追求人工智能（AI）等同于或超过人类层面，而AI代理被认为是这种追求的有前途的工具。人工智能代理是人为的实体，可以感知其环境，做出决定并采取行动。已经做出了许多努力来开发智能代理商，但它们主要集中于算法或培训策略的进步，以增强特定任务的特定能力或绩效 ...
0 1 0 2025/05/23 arXiv:2309.07864v3 nnstake
VQ-Logits: Compressing the Output Bottleneck of Large Language Models via Vector Quantized Logits 
大型语言模型（LLM）取得了巨大的成功，但面临着重大的计算和记忆挑战，尤其是由于它们广泛的输出词汇。最终的线性投影层将隐藏的状态映射到词汇量逻辑，通常构成了模型参数的很大一部分和推断期间的计算成本。现有方法（例如自适应软磁性或层次软磁性）会引入结构复杂性 ...
0 0 0 2025/05/23 arXiv:2505.10202v1 旺角冰城

来一起翻译吧！


为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。


虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）