CoulGAT：图注意力网络可解释性的一项实验
机器学习
2019-12-19 v1 机器学习
摘要
我们提出了一种受屏蔽库仑势定义启发的注意力机制。该注意力机制通过一个为此目的开发的灵活且可扩展的框架（CoulGAT）来用于解释图注意力（GAT）模型层与训练数据集。利用 CoulGAT，使用此注意力机制针对 CHAMPS 数据集训练并刻画了普通与 resnet 模型组成的模型森林。该注意力机制的可学习变量被用于提取节点-节点与节点-特征交互，以定义图结构与隐藏层的经验标准模型。这种图与隐藏层的表示可作为比较不同模型、优化隐藏层以及提取数据集图结构紧凑定义的工具。
引用
@article{arxiv.1912.08409,
title = {CoulGAT: An Experiment on Interpretability of Graph Attention Networks},
author = {Burc Gokden},
journal= {arXiv preprint arXiv:1912.08409},
year = {2019}
}
备注
30 pages