Naukowcy zaprezentowali SEMGNN - samoobjasniającą się wieloetykietową sieć neuronową grafów, która łączy predykcję klas z automatycznym wyjaśnianiem decyzji w ramach jednego modelu. Dotychczasowe podejścia do problemu multi-label w sieciach grafowych nie uwzględniały integracji zdolności interpretacji podczas treningu, a metody post-hoc nie potrafiły prawidłowo modelować jak dowody powinny być dzielone między różne etykiety.
Kluczową innowacją SEMGNN jest wspólne uczenie się predyktora i rzadkiej maski krawędzi w ujednoliconym frameworku. System jawnie wykorzystuje korelacje między etykietami, aby poprawiać klasyfikację węzłów i jednocześnie generować bardziej spójne wyjaśnienia dla poszczególnych kategorii. To podejście jest szczególnie ważne w rzeczywistych aplikacjach, gdzie jedna próbka może być związana z wieloma grupami lub kategoriami, a powiązania między nimi mogą być słabe lub negatywne.
Badania na syntetycznych i rzeczywistych multi-label networkach z sektora social mediów, rozrywki i nauk przyrodniczych wykazały, że SEMGNN osiąga konkurencyjne lub lepsze wyniki niż istniejące metody. Praca adresuje realny problem braku przejrzystości w złożonych modelach grafowych, co ma znaczenie dla zastosowań wymagających wyjaśnialności, takich jak rekomendacje czy analiza sieci społecznych.