LLMExplainer：基于大语言模型的图解释生成的贝叶斯推理
机器学习
2024-07-24 v2 人工智能
计算与语言
摘要
最近的研究寻求通过多种无监督学习模型为图神经网络(GNN)提供可解释性。由于数据稀缺，当前方法容易受到学习偏差的影响。为解决这一问题，我们将大语言模型(LLM)嵌入GNN解释网络，以避免学习偏差问题。我们将LLM注入贝叶斯推理(BI)模块，以缓解学习偏差。BI模块的有效性已在理论和实验中得到证明。我们在合成数据集和真实数据集上进行了实验。我们的工作创新之处在于两个方面：1.我们提供了LLM作为贝叶斯推理以提高现有算法性能的一种新视角；2.我们是首次讨论GNN解释问题中的学习偏差问题。
引用
@article{arxiv.2407.15351,
title = {LLMExplainer: Large Language Model based Bayesian Inference for Graph Explanation Generation},
author = {Jiaxing Zhang and Jiayi Liu and Dongsheng Luo and Jennifer Neville and Hua Wei},
journal= {arXiv preprint arXiv:2407.15351},
year = {2024}
}
备注
Preprint Paper with 13 pages