Kolmogorov-Arnold图神经网络
机器学习
2025-06-02 v2 人工智能
摘要
图神经网络（GNN）在处理网络状数据方面表现出色，但通常缺乏可解释性，这使得它们在需要透明决策的领域中的应用面临挑战。我们提出了图Kolmogorov-Arnold网络（GKAN），这是一种新颖的GNN模型，利用边上的样条基激活函数来同时提高准确性和可解释性。我们在五个基准数据集上的实验表明，GKAN在节点分类、链接预测和图分类任务中均优于最先进的GNN模型。除了提高准确性外，GKAN的设计本身就能提供对模型决策过程的清晰洞察，无需事后解释技术。本文讨论了GKAN的方法、性能和可解释性，突出了其在可解释性至关重要的领域中的应用潜力。
引用
@article{arxiv.2406.18354,
title = {Kolmogorov-Arnold Graph Neural Networks},
author = {Gianluca De Carlo and Andrea Mastropietro and Aris Anagnostopoulos},
journal= {arXiv preprint arXiv:2406.18354},
year = {2025}
}