作为当今最受欢迎的机器学习模型之一，Graph神经网络（GNN）最近引起了激烈的兴趣，其解释性也引起了人们的兴趣。用户对更好地了解GNN模型及其结果越来越感兴趣。不幸的是，当今的GNN评估框架通常依赖于合成数据集，从而得出有限范围的结论，因为问题实例缺乏复杂性。由于GNN模型被部署到更关键的任务应用程序中，因此我们迫切需要使用GNN解释性方法的共同评估协议。在本文中，据我们最大的知识，我们提出了针对GNN解释性的第一个系统评估框架，考虑了三种不同的“用户需求”的解释性：解释焦点，掩盖性质和掩蔽转换。我们提出了一个独特的指标，该指标将忠诚度措施结合在一起，并根据其足够或必要的质量对解释进行分类。我们将自己范围用于节点分类任务，并比较GNN的输入级解释性领域中最具代表性的技术。对于广泛使用的合成基准测试，令人惊讶的是，诸如个性化Pagerank之类的浅水技术在最小计算时间内具有最佳性能。但是，当图形结构更加复杂并且节点具有有意义的特征时，根据我们的评估标准，基于梯度的方法，尤其是显着性。但是，没有人在所有评估维度上占主导地位，而且总会有一个权衡。我们在eBay图上的案例研究中进一步应用了我们的评估协议，以反映生产环境。
translated by 谷歌翻译
在本文中，我们提出了一种用于电池供电的自动空中机器人的在线规划制定方法。该方法包括同时计划覆盖路径和安排在板载计算任务。我们进一步得出了一种新颖的变量覆盖运动，可鲁棒性地限制和凭经验动机的能量模型。该模型包括基于自动计算能量建模工具的时间表的能源贡献。我们的实验表明，如何根据可用电池在线调整初始飞行计划，从而解决了不确定性。在电池意外情况下，由于不利的大气条件，我们的方法可能会在飞行中失败，并增加了整体可容忍度。
translated by 谷歌翻译