ScoreCAM GNN : une explication optimale des réseaux profonds sur graphes

Adrien Raison (1, 2) , Pascal Bourdon (2, 3) , David Helbert (2, 3)

1 Université de Poitiers - Faculté de Sciences fondamentales et appliquées
2 XLIM-ASALI - Synthèse et analyse d'images
3 UP - Université de Poitiers = University of Poitiers

The explainability of deep networks is becoming a central issue in the deep learning community. It is the same for learning on graphs, data structure present in many problems of the real world. In this paper, we propose a method that is more optimal, lighter, consitent and exploits the of the evaluated graph that the methods of the state of the art.

-L'explicabilité des réseaux profonds devient un problème central dans la communauté de l'apprentissage profond. Il en est de même pour l'apprentissage sur graphes, structure de données présente dans bon nombre de problématiques du monde réel. Nous proposons dans cette contribution, une méthode plus optimale, plus légère, consistante et exploitant mieux la topologie des graphes évalués que les méthodes de l'état de l'art.

Domaines: Vision par ordinateur et reconnaissance de formes [cs.CV]

Adrien Raison, Pascal Bourdon, David Helbert. ScoreCAM GNN : une explication optimale des réseaux profonds sur graphes. XXVIIIe Colloque GRETSI - Traitement du Signal et des Images, Sep 2022, Nancy, France. ⟨hal-03686265⟩