BriefGPT - AI 论文速递
·
面向少样本自解释图神经网络
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种名为ProtGNN的新型网络结构，将原型学习与图神经网络相结合，为GNN的解释提供新视角。ProtGNN通过比较输入与学习的原型来获得预测结果。ProtGNN+增加了条件子图抽样模块，提高解释和效率。评估结果表明，ProtGNN和ProtGNN+能够提供可解释性和准确性。
🎯
关键要点
-
提出了一种名为Prototype Graph Neural Network（ProtGNN）的新型网络结构。
-
ProtGNN将原型学习与图神经网络相结合，为GNN的解释提供新的视角。
-
在ProtGNN中，解释通过基于案例的推理过程自然推导，并在分类期间实际使用。
-
ProtGNN通过将输入与学习的原型进行比较来获得预测结果。
-
ProtGNN+增加了条件子图抽样模块，提高了解释和效率。
-
评估结果表明，ProtGNN和ProtGNN+能够提供可解释性和准确性。
➡️
