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。发表于：。本研究解决了现有自解释图神经网络需要大量训练数据的问题，从而在少样本场景下失效。我们提出了一种新颖的元学习自解释图神经网络（MSE-GNN），该框架在两个阶段生成支持预测的解释，并通过元训练过程和任务信息机制显著提高少样本任务的性能。实验结果表明，MSE-GNN在预测任务上表现优异，并能生成高质量的解释。
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。
