图混合加法网络
机器学习
2025-10-30 v2 人工智能
摘要
我们提出了GMAN，这是一个灵活、可解释且具有表达力的框架，将图神经可解释网络（GNANs）扩展到从稀疏时间序列数据中学习的能力。GMAN将每个时间依赖轨迹表示为有向图，并对每个图应用更具表达力的GNAN。这允许用户通过对特征和图进行分组来编码先验，从而控制可解释性与表达力之间的权衡，并提供特征、节点和图层面的可解释性。在真实世界数据集上，包括来自血液检查的死亡率预测和假新闻检测方面，GMAN在保持可动作、领域对齐解释的同时，优于强不可解释的黑盒基线方法。
引用
@article{arxiv.2509.23923,
title = {Graph Mixing Additive Networks},
author = {Maya Bechler-Speicher and Andrea Zerio and Maor Huri and Marie Vibeke Vestergaard and Ran Gilad-Bachrach and Tine Jess and Samir Bhatt and Aleksejs Sazonovs},
journal= {arXiv preprint arXiv:2509.23923},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2505.19193