Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Spatial-Temporal Transformer with Error-Restricted Variance Estimation for Time Series Anomaly Detection Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Human-Driven Active Verification for Efficient and Trustworthy Graph Classification

verfasst von : Tien-Cuong Bui, Wen-Syan Li

Erschienen in: Advances in Knowledge Discovery and Data Mining

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Graph representation learning methods have significantly transformed applications in various domains. However, their success often comes at the cost of interpretability, hindering them from being adopted in critical decision-making scenarios. In conventional graph classification, the integration of domain expertise to enhance model training has been underutilized, leading to discrepancies in decision outcomes between humans and models. To address this, we introduce a novel framework involving active human verification in graph classification processes. Our approach features a human-aligned representation learning component, achieved by seamlessly integrating Graph Neural Network architectures and leveraging human domain knowledge and feedback. This framework enhances model transparency and interpretability and fosters collaborative decision-making between humans and AI systems. Extensive evaluations and user studies prove the efficiency of our framework.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel QWalkVec: Node Embedding by Quantum Walk
Nächstes Kapitel SASBO: Sparse Attack via Stochastic Binary Optimization
Literatur
1.
Bui, T.C., Le, V.D., Li, W.S.: Generating real-time explanations for GNNs via multiple specialty learners and online knowledge distillation. IEEE Access (2023)
2.
Chen, C., Li, O., Tao, D., Barnett, A., Rudin, C., Su, J.K.: This looks like that: deep learning for interpretable image recognition. In: Advances in Neural Information Processing Systems, vol. 32 (2019)
3.
Dai, E., Wang, S.: Towards self-explainable graph neural network. In: Proceedings of the 30th ACM International Conference on Information & Knowledge Management, pp. 302–311 (2021)
4.
Davoudi, S.O., Komeili, M.: Toward faithful case-based reasoning through learning prototypes in a nearest neighbor-friendly space. In: International Conference on Learning Representations (2021)
5.
6.
Feng, A., You, C., Wang, S., Tassiulas, L.: KerGNNs: interpretable graph neural networks with graph kernels. In: Proceedings of the AAAI Conference on Artificial Intelligence, vol. 36, pp. 6614–6622 (2022)
7.
Hamilton, W., Ying, Z., Leskovec, J.: Inductive representation learning on large graphs. In: Advances in Neural Information Processing Systems, vol. 30 (2017)
8.
Kipf, T.N., Welling, M.: Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv:​1609.​02907 (2016)
9.
Li, O., Liu, H., Chen, C., Rudin, C.: Deep learning for case-based reasoning through prototypes: a neural network that explains its predictions. In: Proceedings of the AAAI Conference on Artificial Intelligence, vol. 32 (2018)
10.
Li, X., et al.: BrainGNN: interpretable brain graph neural network for FMRI analysis. Med. Image Anal. 74, 102233 (2021)CrossRef
11.
Liu, H., Tian, Y., Chen, C., Feng, S., Chen, Y., Tan, C.: Learning human-compatible representations for case-based decision support. In: The Eleventh International Conference on Learning Representations (2022)
12.
13.
Mosqueira-Rey, E., Hernández-Pereira, E., Alonso-Ríos, D., Bobes-Bascarán, J., Fernández-Leal, Á.: Human-in-the-loop machine learning: a state of the art. Artif. Intell. Rev. 56(4), 3005–3054 (2023)CrossRef
14.
Ragno, A., La Rosa, B., Capobianco, R.: Prototype-based interpretable graph neural networks. IEEE Trans. Artif. Intell. (2022)
15.
Ramos, G., Meek, C., Simard, P., Suh, J., Ghorashi, S.: Interactive machine teaching: a human-centered approach to building machine-learned models. Hum. Comput. Interact. 35(5–6), 413–451 (2020)CrossRef
16.
Rossi, R., Ahmed, N.: The network data repository with interactive graph analytics and visualization. In: Proceedings of the AAAI Conference on Artificial Intelligence, vol. 29 (2015)
17.
Slade, S.: Case-based reasoning: a research paradigm. AI Mag. 12(1), 42–42 (1991)
18.
Taesiri, M.R., Nguyen, G., Nguyen, A.: Visual correspondence-based explanations improve AI robustness and human-AI team accuracy. In: Advances in Neural Information Processing Systems, vol. 35, pp. 34287–34301 (2022)
19.
Velickovic, P., Cucurull, G., Casanova, A., Romero, A., Lio, P., Bengio, Y.: Graph attention networks. stat 1050, 20 (2017)
20.
21.
Yuan, H., Yu, H., Gui, S., Ji, S.: Explainability in graph neural networks: a taxonomic survey. arXiv preprint arXiv:​2012.​15445 (2020)
22.
Zhang, Z., Liu, Q., Wang, H., Lu, C., Lee, C.: ProtGNN: towards self-explaining graph neural networks. In: Proceedings of the AAAI Conference on Artificial Intelligence, vol. 36, pp. 9127–9135 (2022)
23.
Zhang, Z., Cui, P., Zhu, W.: Deep learning on graphs: a survey. IEEE Trans. Knowl. Data Eng. 34(1), 249–270 (2020)CrossRef
Metadaten
Titel
Human-Driven Active Verification for Efficient and Trustworthy Graph Classification
verfasst von
Tien-Cuong Bui
Wen-Syan Li
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Advances in Knowledge Discovery and Data Mining

Print ISBN: 978-981-9722-41-9

Electronic ISBN: 978-981-9722-42-6

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-97-2242-6_9

Premium Partner

    Bildnachweise