Enhancing Interpretability of Graph Convolutional Networks for Multi-view Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The explosion of multimedia data, collected from heterogeneous sources and represented in multiple formats, has led to the formation of comprehensive multi-view or multi-modal datasets, facilitating deeper analysis and insight. These datasets cover various physical features captured by different sensors, which makes the quality distribution of data among views uneven. In recent years, Graph Convolutional Networks (GCNs) have attracted substantial attention from the academic community, leading to their widespread adoption in a variety of application domains. However, GCNs are often considered black-box models due to their complex internal operations, thereby posing significant challenges to understanding and interpreting their decision-making processes. The lack of interpretability in GCNs undermines confidence in their predictions and makes it difficult to identify and address potential biases. To tackle these issues, we propose a generic multi-view graph convolutional network, which is applied to semi-supervised classification tasks. By maximizing subspace independence and restricting network transmission weights, we aim to find interpretability for the constructed network framework from both the spatial and transmission domains. The main contributions are summarized as follows: First, we propose a general and efficient graph learning framework for multi-view representation, which simplifies both feature fusion and downstream classification tasks. Second, we design two learning strategies, focusing on constraining the weights of forward propagation and maximizing the independence of subspaces, respectively, to effectively capture the inherent characteristics between multiple views and stably propagate label information. Finally, we develop a joint network based on the proposed framework that integrates both constrained weights and learned embeddings to emphasize the most informative features from each view. We conduct extensive experiments on eight benchmark datasets, where our proposed method consistently outperforms ten state-of-the-art approaches, demonstrating its superior effectiveness across diverse multi-view learning tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle