User: Guest  Login
Original title:
Combining Symbolic and Sub-symbolic Methods for explaining Graph Neural Networks
Translated title:
Kombination von symbolischen und subsymbolischen Methoden zur Erklärung von Graph Neural Networks
Author:
Himmelhuber, Anna Katharina
Year:
2024
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Advisor:
Runkler, Thomas (Prof. Dr.)
Referee:
Runkler, Thomas (Prof. Dr.); Groh, Georg (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
Graph Neural Networks, Explainability, Neuro-symbolic
Translated keywords:
Erklärbarkeit, Neuro-symbolisch
TUM classification:
DAT 500
Abstract:
Graph Neural Networks (GNNs) are popular AI models for representing real-world data as graphs. However, they lack transparency. This thesis argues for the need for GNN explanation methods with naturalness, sensitivity, reference to graph topology, and fidelity. Three explanation models were introduced that combine symbolic and sub-symbolic elements, providing subgraph explanations, non-ontological and ontological explanations. These were evaluated on a molecular chemistry and cybersecurity datas...     »
Translated abstract:
Graphische neuronale Netze (GNNs) sind beliebte KI-Modelle zur Darstellung von realen Daten als Graphen. Es fehlt ihnen jedoch an Transparenz. Diese Arbeit argumentiert für den Bedarf an GNN-Erklärungsmethoden mit Natürlichkeit, Sensitivität, Bezug zur Graphentopologie und Fidelity. Es wurden drei Erklärungsmodelle vorgestellt, die symbolische und subsymbolische Elemente kombinieren und subgraphische, nicht-ontologische und ontologische Erklärungen liefern. Diese wurden anhand eines Datensatzes...     »
WWW:
https://mediatum.ub.tum.de/?id=1723440
Date of submission:
23.10.2023
Oral examination:
26.06.2024
File size:
5560634 bytes
Pages:
148
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240626-1723440-1-2
Last change:
18.10.2024
 BibTeX