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 datasets. Combining sub-symbolic and symbolic methods increases GNN explainability, especially in fidelity, sensitivity, and graph topology reference. Furthermore, it is shown that choosing the best explanation method for GNNs depends on use case, domain knowledge, and the need for local or global explanations.     «

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...     »

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 aus der Molekularchemie und der Cybersicherheit bewertet. Die Kombination von subsymbolischen und symbolischen Methoden erhöht die GNN-Erklärbarkeit, insbesondere in Bezug auf Treue, Sensitivität und Graphentopologie-Referenz. Außerdem wird gezeigt, dass die Wahl der besten Erklärungsmethode für GNNs vom Anwendungsfall, dem Domänenwissen und dem Bedarf an lokalen oder globalen Erklärungen abhängt.     «

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...     »