awesome-explainable-graph-reasoning

收录理由

图神经网络给出的判断常常让人难以放心，尤其是当模型无法解释自己为什么做出某个决定时。这份清单正好为这类困扰提供了入口，把相关的研究论文和代码整理在一起，分成可解释预测、可解释推理、理论与综述，以及软件实现几个部分。顺着目录，你可以从一篇综述开始，逐步走到可运行的代码，在需要审查模型或给现有流程加入可解释性时，省去不少四处翻找的功夫。项目由阿斯利康维护，对于在药物发现或分子性质预测这类场景中比较不同图神经网络解释方法的团队来说尤其实用——在这些领域，弄清楚模型为什么这样判断，和得到正确答案本身同样重要。它本质上是一份阅读指南，而不是拿来直接部署的工具，更适合在挑选具体库之前，先用它把整个领域的地图摸清楚。