GNNLens：一种用于图神经网络预测误差诊断的视觉分析方法
人机交互
2022-04-08 v6 机器学习
社会与信息网络
摘要
图神经网络（GNNs）旨在将深度学习技术扩展到图数据，并在近年来的图分析任务（例如节点分类）中取得了显著进展。然而，类似于其他深度神经网络如卷积神经网络（CNNs）和循环神经网络（RNNs），GNNs 表现得像一个黑箱，其细节对模型开发者和用户隐藏。因此难以诊断 GNNs 可能的错误。尽管已有许多针对 CNNs 和 RNNs 的视觉分析研究，但很少研究解决 GNNs 的挑战。本文以交互式视觉分析工具 GNNLens 填补了这一研究空白，以辅助模型开发者和用户理解并分析 GNNs。具体而言，Parallel Sets View 和 Projection View 使用户能够快速识别并验证错误预测集中的错误模式；Graph View 和 Feature Matrix View 提供对单个节点的详细分析以辅助用户形成关于错误模式的假设。由于 GNNs 联合建模图结构与节点特征，我们通过比较三个模型的预测揭示两类信息的相对影响：GNN、多层感知机（MLP）和不使用特征的 GNN（GNNWUF）。两个案例研究以及与领域专家的访谈证明了 GNNLens 在促进理解 GNN 模型及其错误方面的有效性。
引用
@article{arxiv.2011.11048,
title = {GNNLens: A Visual Analytics Approach for Prediction Error Diagnosis of Graph Neural Networks},
author = {Zhihua Jin and Yong Wang and Qianwen Wang and Yao Ming and Tengfei Ma and Huamin Qu},
journal= {arXiv preprint arXiv:2011.11048},
year = {2022}
}
备注
17 pages